图像2维卷积计算(2D Conv)和池化计算(Pooling)实战

       实现图像滤波的数学计算方法是卷积（Convolution），有关数学概念和计算方式，请参考《AI数学基础26-卷积（Convolution）》。了解了卷积的数学原理后，可以编写一个卷积计算的代码，加深理解，如下：

池化计算，只需要在上述代码中加入下面的池化代码：

池化计算

经过(2,2)池化后，可以看到，图像数据从510x510压缩到了255x255，图像数据为原来的四分之一，但特征并没有丢失，而且还得到了增强，如下图所示：

这也是为什么在卷积神经网络中，每个卷积层后面总是要加入一个池化层的原因。在有些文献中，会把卷积和池化合并起来，称作a set of convolution pooling layer。若有三个连续续的卷积池化层，则称作 three sets of convolution pooling layers。卷积和池化计算输出结果的可视化，请参见《可视化CNN隐藏层输出》

池化结果

不同的Kernel请参考文献《Image Filtering》