Inicio · Parte 15 — Matemática de Deep Learning
max pooling: máximo de cada ventana
average pooling: media de cada ventana
parámetros aprendidos: 0El pooling reduce la resolución espacial agregando ventanas de activaciones. No tiene parámetros aprendidos: es una operación fija que reduce el cómputo, amplía el campo receptivo e introduce cierta invariancia a pequeños desplazamientos.
Max pooling conserva la activación más fuerte de cada ventana. Es el más usado en clasificación porque preserva la evidencia de que una característica está presente, descartando dónde exactamente. Average pooling promedia y conserva más información de contexto, y es el habitual en la capa final como global average pooling, que sustituye a las capas densas y reduce enormemente los parámetros.
La invariancia que proporciona tiene un límite del que conviene ser consciente: es invariancia a desplazamientos pequeños, del orden del tamaño de la ventana. No hace la red invariante a traslaciones grandes, y como se vio en la clase 270, hacer submuestreo sin suavizado previo introduce aliasing que rompe la invariancia en vez de crearla.
La tendencia arquitectónica ha ido reduciendo su papel. Muchas redes modernas usan convoluciones con stride 2 en lugar de pooling, con el argumento de que así la reducción es aprendida en vez de impuesta. El pooling sobrevive sobre todo en su forma global al final de la red.
Max y average pooling 2×2 sobre la misma entrada.
entrada 4×4
max pool 2×2:
[[6,0 4,0]
[7,0 9,0]]
average pool 2×2:
[[3,75 2,25]
[3,50 5,50]]
forma de salida: (2, 2)
reducción: 16 elementos → 4
parámetros aprendidos: 0
Max conserva el pico de cada ventana; average lo diluye.
Para "¿está presente esta característica?" conviene max;
para "¿cuánta hay en promedio?" conviene average.Max y average pooling: reducción con y sin pérdida de posición.
python classes/part-15-matematica-de-deep-learning/312-pooling-y-downsampling/lab.py
compmath run 312entrada_shapemax_pool_2x2avg_pool_2x2salida_shapereduccion_de_elementosparametros_aprendidosgradiente_del_max_poolgradiente_del_avg_poolinvarianza{
"entrada_shape": [
4,
4
],
"max_pool_2x2": [
[
6.0,
4.0
],
[
7.0,
9.0
]
],
"avg_pool_2x2": [
[
3.75,
2.25
],
[
3.5,
5.5
]
],
"salida_shape": [
2,
2
],
"reduccion_de_elementos": "16 → 4",
"parametros_aprendidos": 0
}Redes convolucionales de clasificación, global average pooling como cabeza, reducción de cómputo y agregación en redes sobre grafos.
Toda arquitectura moderna, incluido el Transformer, se construye sobre estos bloques y sobre este mismo mecanismo de derivación.
9780262337373 verificado en International ISBN Agency (2026-08-19).10.48550/arxiv.1312.4400 verificado en DataCite (2026-08-19).