ディープラーニングの基本＃４：プーリング層（Pooling Layer）とは
プーリング層とは
プーリング層は、畳み込み層で抽出された特徴を整理・圧縮するための要素技術です。畳み込み層が「特徴を見つける役割」を担うのに対し、プーリング層は「重要な情報を残しつつ、情報量を減らす役割」を果たします。画像認識モデルでは、畳み込み層とプーリング層がセットで使われることが一般的です。
プーリング層の役割
プーリング層の主な役割は、次の3点です。
情報量の削減
特徴マップのサイズを小さくし、計算量を抑えます。位置ずれへの耐性（ロバスト性）の向上
特徴の位置が多少ずれても、同じ特徴として扱えるようになります。過学習の抑制
細かいノイズに反応しすぎるのを防ぎます。
このように、プーリング層はモデルを軽くし、安定した学習を支える重要な役割を担っています。
最大プーリングと平均プーリング
プーリング層にはいくつかの種類がありますが、代表的なのは次の2つです。
最大プーリング（Max Pooling）
指定した範囲の中で、最も大きな値だけを残す方法です。
強い特徴を優先的に残すため、画像認識では最もよく使われています。
平均プーリング（Average Pooling）
指定した範囲の平均値を取る方法です。
全体の傾向をなだらかに捉えたい場合に使われます。
グローバルアベレージプーリング（GAP）
グローバルアベレージプーリング（Global Average Pooling：GAP） は、特徴マップ全体に対して平均を取るプーリング手法です。通常のプーリングが「局所的な範囲」を対象とするのに対し、GAPは各特徴マップを1つの値に要約します。
この手法には、次のような特徴があります。
全結合層の大部分（または中間層としての全結合層）を置き換えられる
パラメータ数を大幅に削減できる
過学習を起こしにくい
特に近年の画像認識モデルでは、全結合層の代わりにGAPを用いる設計も広く採用（最終的なクラス分類には、GAPの直後に1層だけ全結合層、またはソフトマックス層を置く構成が一般的）されるようになりました。これにより、モデルがシンプルになり、学習の安定性や汎化性能が向上します。
情報圧縮とロバスト性の向上
プーリング層による情報圧縮は、「情報を捨てている」ように見えるかもしれません。しかし実際には、重要な特徴を残し、不要な細部を捨てるという意味で、非常に合理的な処理です。
最大プーリング、平均プーリング、GAPはいずれも目的が異なりますが、
どこに注目するか
どの程度情報を集約するか
という観点で使い分けられています。
ここまでお読み頂きありがとうございます。
AIって何？ AIの歴史から最新情報まで、わかりやすく説明した、
これまでの記事（マガジン）の一覧をプロフィールページにまとめています。
AIの全体像をつかむヒントになると思いますので、ぜひご覧ください。
＜前へ
ディープラーニングの基本＃３｜畳み込み層（Convolutional Layer）とは
免責事項
・本記事は生成AI（ChatGPT等）を活用して執筆しています。内容の正確性・最新性には十分配慮しておりますが、誤りや古い情報が含まれる場合があります。ご利用・ご判断はご自身の責任でお願いいたします。万一、著作権等に問題がある場合はご連絡ください。
