offset max-pooling

下面再让我们来继续学习有关 offset 池化的内容，为了简单起见，我们暂时不用二维的图像作为例子，而是采用一维作为示例，来讲解池化:

如上图所示，我们在x轴上有20个神经元，如果我们选择池化size=3的非重叠池化，那么根据我们之前所学的方法应该是：对上面20个，从1位置开始进行分组，每3个连续的神经元为一组，然后计算魅族的最大值(最大池化)，19、20号神经元被丢弃，如下图所示:

我们也可以在20号神经元后面，人为的添加一个数值为0的神经元编号21，与19、20成为一组，这样可以分成7组：[1,2,3],[4,5,6],…[19,20,21]，最后计算每组的最大值，这就是我们以前所学的CNN中池化层的源码实现方法。

上面我们说到，如果我们只分6组的话，我们除了以1作为初始位置进行连续组合之外，也可以从位置2或者3开始进行组合，也就是说我们其实有三种池化组合方法：

• 从1开始：[1,2,3],…,[16,17,18]
• 从2开始：[2,3,4],…,[17,18,19]
• 从3开始：[3,4,5],…,[18,19,20]

对应图片如下：

对于之前的CNN，一般只采用从第一种从1开始的组合就可以了，但是在OverFeat中，是把上述三种方法的池化结果，分别送入到网络的下一层，这样的话，我们的网络在最后输出的时候，就会出现3中预测结果了。

我们前面说的是一维的情况，如果是2维的图片的话，那么(x,y)就会有9种取值情况(3×3)；如果我们在做图片分类的时候，在网络的某一池化层加入了这种offset池化方法，然后把9种池化结果，分别送入后面的网络层，最后我们的图片分类输出结果就可以得到9个预测结果(每个类别都可以得到9种概率值，然后我们对每个类别的9种概率，取其最大值，做为此类别的概率预测值)