亂談池化算法

　　在提取信息的時候，在池化的時候，如果取區域均值（mean-pooling），往往能保留整體數據的特徵，能凸出背景的信息，而如果取區域最大值（max-pooling），則能更好保留紋理上的特徵，但這些應該都不如小波變換那樣，可以保留更多的細節特徵，整體上也應該更加細微。

　　在ICLR2013上，Zeiler提出了stochastic pooling，元素值大的被選中的概率也大，但不是像max-pooling那樣總是取最大值，這種方法的優勢是，一方面最大化保證了Max值的取值，一方面又部分確保不會所有元素都被max值給忽悠住，造成過度失真。

　　這種方式想來還是有缺陷的，因為這種隨機行挑選儘管有概率傾向，但它是人為疊加上的，無法總是保證一定隨機的概率選擇中能夠選擇到更好的結果，所以也會出現更糟糕的結果的時候，不過加入概率算法好處是，它為產生更好的結果產生了可能，所以總的來說，還是有可能得到更好的結果的。

　　假設目標總是容易被命中的，而有那麼個正態分佈與目標的分佈是近似重合的，如何保證這種分佈比較能吻合目標？平均值與最大值都會產生偏移，因為畢竟太暴力了，而概率算法加入無疑是比較理想的，能減少這種偏移的可能，如果運氣足夠好，收斂會非常好，那麼還有可能得到更加貼近的結果，於是這個又扯到了運氣上來了。

　　只是，術數裡的收斂為何能那麼準確，這個從數學角度實在是難解，究竟是什麼沒有考慮到？目前有一種隱隱地思路，需要探索以術數的模型套上去，只是還是沒有找到橋梁在哪裡，第一是要找出，信息是如何演算並摺疊在卦中的，第二是要找出如何還能夠把信息進行還原。

　　在嘗試計算了近十萬個圖形與隨機起卦之間的聯繫後，發現要建立這個聯繫，是極難完成的任務，製作自動編碼器運算到一定程度收斂越來越慢，隨便估計也是要花上個幾個月的（還不一定最後算得出來），想來還是思路有問題。

　　路漫漫其修遠兮。