Pooling與馬賽克的秘密

說到Pooling，相信學習過CNN的朋友們都不會感到陌生。Pooling在中文當中的意思是“池化”，在神經網絡當中非常常見，通常用的比較多的一種是Max Pooling，具體操作如下圖：

??結合圖像理解，相信你也會大概明白其中的本意。不過Pooling并不是只可以選取2x2的窗口大小，即便是3x3，5x5等等沒問題，步長（Stride）也是一個道理。除了在神經網絡方面，Pooling為圖片打馬賽克也是可以取得不錯的效果，結合幾個例子看看。

??我們可以用Max Pooling先看看效果如何：

??Min Pooling和Average Pooling的操作也差不多，只不過把對應的操作函數變了而已。

??Min Pooling：

??小動物的皮膚顏色都換了，再看看Average Pooling：

??綜上來看，Average Pooling似乎更加逼真一些，不過換一張圖片可能效果就不一樣了。

??以下是Pooling操作的代碼：

import cv2
import numpy as np


def 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

??由于是多顏色通道的圖片，所以記得別漏了這個參數。