在阅读Convolutional Neural Networks (LeNet) 之后，我部分了解了 Max-pooling：
CNN 的另一个重要概念是最大池化，它是 非线性下采样。最大池化将输入图像划分为 一组不重叠的矩形，并且对于每个这样的子区域， 输出最大值。
Sum-pooling 怎么样？我找不到任何易于理解的文章。
【问题讨论】：
标签： image image-processing machine-learning neural-network deep-learning
卷积神经网络在处理高维数据方面做得很好。由于图像或声音的不变性，将权重的数量仅限制为内核权重会使学习更容易。但是，如果您仔细观察发生了什么，您可能会注意到，如果您不使用池化之类的技巧，在第一个卷积层之后，您的数据维度可能会严重增加。
最大池化仅通过仅从卷积层的固定区域获取最大输入来降低数据的维度。 Sum pooling 以类似的方式工作 - 通过取输入的总和而不是最大值。
这些方法之间的概念差异在于它们能够捕捉到的那种不变性。 最大池化对池化区域中某些模式的存在很敏感。 Sum pooling（与 Mean pooling 成比例）测量给定区域中模式存在的平均值。
更新：
Sum pooling / Mean pooling 的子区域设置与 Max pooling 完全相同，但您使用 max 函数而不是 max强>总和/平均。您可以在关于池的段落中阅读here。
【讨论】：