935.深度学习中的池化层(PoolingLayer)主要用于什么目的?

题目解析： 题干：深度学习中的池化层（Pooling Layer）主要用于什么目的？ 正确答案：A：减少参数数量 解析： 池化层是卷积神经网络（Convolutional Neural Networks, CNN）中的一个重要组成部分，通常位于卷积层之后。其主要作用是对特征图（feature map）进行下采样（downsampling），即降低特征图的空间维度（宽度和高度），从而达到以下目的： 1. 减少参数数量：通过降低特征图的尺寸，后续层的输入数据量减少，使得模型中需要训练的参数数量相应减少，有助于提高计算效率并降低内存消耗。 2. 保留重要特征信息：池化操作在降维的同时，通常保留最具代表性的特征。例如，最大池化（Max Pooling）保留局部区域中的最大值，这往往对应最显著的激活特征。 3. 提供一定的平移不变性：即使输入图像发生轻微平移，池化后的输出仍可能保持稳定，增强模型的鲁棒性。 选项分析： - A：减少参数数量 —— 正确。这是池化层的核心功能之一，通过空间下采样减少后续层的输入大小，从而减少全连接层或后续卷积层的参数量。 - B：增加模型复杂度 —— 错误。池化层的作用是简化表示，降低计算负担，而不是增加复杂度。 - C：提取特征 —— 错误。特征提取主要由卷积层完成，卷积核通过滑动窗口提取局部特征。池化层不进行特征提取，而是对已有特征进行聚合与压缩。 - D：防止过拟合 —— 不准确。虽然减少参数可能间接缓解过拟合，但防止过拟合的主要手段是正则化、Dropout、数据增强等。池化层的设计初衷并非专门用于防止过拟合。 核心知识点： - 池化层类型：常见的有最大池化（Max Pooling）、平均池化（Average Pooling）等。 - 池化操作方式：在特征图上使用固定大小的窗口（如2×2），按步长滑动，对窗口内的值进行聚合运算。 - 池化的作用：降低特征图的空间分辨率，减少计算量和参数数量，保留关键特征，增强模型的泛化能力。 综上所述，正确答案为 A：减少参数数量。