プーリング層（Pooling Layer）
解説：あえて「大雑把」に見る技術
プーリング層は、画像の解像度を下げて情報を圧縮する（ダウンサンプリング）処理を行う層です。簡単に言えば、「画像をモザイク画のように粗くする処理」です。
せっかくの高解像度データをなぜ粗くするのでしょうか？ 主な目的は以下の2つです。
① 計算量の削減（ダイエット）
画像サイズを半分にすれば、画素数は4分の1になります。これによりパラメータ数や計算コストが劇的に減り、過学習もしにくくなります。
画像サイズを半分にすれば、画素数は4分の1になります。これによりパラメータ数や計算コストが劇的に減り、過学習もしにくくなります。
② 位置ズレへの許容（ここが重要！）
これがプーリングの真骨頂です。画像を大雑把に見ることで、「対象物が数ピクセル動いても、同じものとして認識できる」ようになります。
これを専門用語で「平行移動不変性（Translation Invariance）」と呼びます。
これがプーリングの真骨頂です。画像を大雑把に見ることで、「対象物が数ピクセル動いても、同じものとして認識できる」ようになります。
これを専門用語で「平行移動不変性（Translation Invariance）」と呼びます。
「猫の耳」でわかるMaxプーリングの仕組み
最も代表的な「Maxプーリング（最大値プーリング）」の例を見てみましょう。
例えば、2×2 の領域から「最大値」だけを取り出すルールだとします。
パターンA：耳が「左上」にある
↓ Maxをとる |
＝ | パターンB：耳が「右下」にズレた
↓ Maxをとる |
このように、入力データの中で位置がズレていても、プーリングを通せば「同じ『7』という特徴がある」という結果（出力）は変わりません。
これにより、AIは「厳密な位置」にこだわらず、「だいたいこの辺に耳があれば猫だ」という柔軟な判断ができるようになります。
主なプーリングの種類
| 種類 | 処理内容 | 特徴 |
|---|---|---|
| Max Pooling （最大値プーリング） |
領域内の最大値を取り出す。 | 最も特徴的な部分（エッジなど）を強調する。 画像認識ではこれが主流。 |
| Average Pooling （平均値プーリング） |
領域内の平均値を取り出す。 | 全体を滑らかにする効果がある。 一部のモデル（Global Average Poolingなど）で使われる。 |
G検定対策
出題ポイント
- 目的：画像サイズの圧縮（ダウンサンプリング）と、「位置ズレに対する頑健性（不変性）」の獲得。
- パラメータ：プーリング層には「学習するパラメータ（重み）」が存在しない。ただ決まった計算（最大値をとる等）をするだけである。
- 計算式：ストライド（スライド幅）やカーネルサイズによる出力サイズの変化を問われることがある。
ひっかけ対策
- × プーリング層で重みの学習を行う
（解説）学習するのは畳み込み層や全結合層です。プーリング層はただの「縮小作業員」なので学習機能はありません。 - × 位置情報を正確に保持する
（解説）あえて位置情報を「捨てる（ぼかす）」ことで、ズレに強くしています。
