[👨‍🏫] لایه Pooling در شبکه‌های عصبی کانولوشنی (CNN) را می‌توان به زبان ساده «فشرده‌کنندهٔ اطلاعات مهم تصویر» نامید.
فرض کنید یک عکس ۱۰۰×۱۰۰ پیکسلی دارید. بعد از اعمال فیلترهای کانولوشن، شبکه یک نقشه ویژگی (Feature Map) تولید می‌کند. این نقشه ممکن است هنوز بسیار بزرگ باشد و پردازش آن هزینهٔ زیادی داشته باشد. لایه Pooling کمک می‌کند اندازهٔ این نقشه کوچک‌تر شود، بدون اینکه مهم‌ترین اطلاعات از بین برود

مثال :
فرض کنید از بالای یک شهر عکس گرفته‌اید.
اگر بخواهید بدانید شهر صنعتی است یا مسکونی، لازم نیست جای تک‌تک پنجره‌های ساختمان‌ها را بدانید.
می‌توانید تصویر را کوچک کنید و فقط ویژگی‌های اصلی را نگه دارید.
پولینگ، دقیقاً همین کار را انجام می‌دهد:
جزئیات ریز و کم‌اهمیت را کنار می‌گذارد و اطلاعات مهم را حفظ می‌کند.
⭕️در هر حال پولینگ مقداری از اطلاعات را حذف می‌کند بهمین علت در برخی نسخه‌های مدرن CNN و معماری‌های بینایی مبتنی بر Transformer، نقش Pooling کمتر شده است.
#CNNs
#Pooling
@toobabigdatascience