卷积神经网络中pool啥情况用mean pool好，啥情况用max pool
刚看神经网络，不准确，不专业，求轻拍。pooling作为一个对特征的操作，应该看具体任务。有论文提到，低层的网络对抽象特征的响应更高，那么随着对特征的不断处理，高层的网络对细节特征有更好的响应。pooling作为对特征的处理操作，也应该考虑，pooling前的数据是什么数据，数据代表了什么意义，数据的相关性是怎么样的。假设区分由不同点集构成的“A”和"P"，这两个数据集中的相临数据间的位置相关性不大（从NN的角度看，当然从图形学提取特征就另说了），那么我觉得，你可以用一个平均值的pooling来作为一个特征提取的手段。而如果通过一个卷积核处理后的数据里面的某个信息是很有效的，譬如说其中可能出现很大的值，而这个值对结果影响很大，那么你可以用max的pooling
推荐阅读
- 神经网络算法是否真的属于人工智能范畴
- 谷歌翻译的「整合神经网络」有多强
- 怎么样向文科生解释深度学习是啥
- 用httpclient 请求https，多线程使用的是单例的httpclient,用PoolingClientConnectionManager作为连接池
- 为啥感知器要用线性函数，而不用非线性函数，或者神经网络的输入层为啥要用线性函数真心感谢
- 为啥卷积神经网络可以用于文本
- 数据少合适用卷积神经网络进行训练测试吗
- 神经网络算法可以预测主观随机数吗
- 神经网络的隐含层一般有多少个单元
- 神经网络是仿生学吗