Pooling与马赛克的秘密

  说到Pooling，相信学习过CNN的朋友们都不会感到陌生。Pooling在中文当中的意思是“池化”，在神经网络当中非常常见，通常用的比较多的一种是Max Pooling，具体操作如下图：

  结合图像理解，相信你也会大概明白其中的本意。不过Pooling并不是只可以选取2×2的窗口大小，即便是3×3，5×5等等没问题，步长（Stride）也是一个道理。除了在神经网络方面，Pooling为图片打马赛克也是可以取得不错的效果，结合几个例子看看。

  我们可以用Max Pooling先看看效果如何：

  Min Pooling和Average Pooling的操作也差不多，只不过把对应的操作函数变了而已。

  Min Pooling：

  小动物的皮肤颜色都换了，再看看Average Pooling：

  综上来看，Average Pooling似乎更加逼真一些，不过换一张图片可能效果就不一样了。

  以下是Pooling操作的代码：

import cv2import numpy as npdef average_pooling(img, G=5):    out = img.copy()    H, W, C = img.shape    Nh = H // G    Nw = W // G    for y in range(Nh):        for x in range(Nw):            for c in range(C):                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64)    return out

def max_pooling(img, G=5):    out = img.copy()    H, W, C = img.shape    Nh = H // G    Nw = W // G    for y in range(Nh):        for x in range(Nw):            for c in range(C):                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.max(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64)    return out

def min_pooling(img, G=5):    out = img.copy()    H, W, C = img.shape    Nh = H // G    Nw = W // G    for y in range(Nh):        for x in range(Nw):            for c in range(C):                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.min(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64)    return out

  由于是多颜色通道的图片，所以记得别漏了这个参数。