Convolution & Vision Foundations: 解释池化与步长卷积的差异与取舍。

Core Concept: 池化（max/avg）无可学习参数、固定下采样；步长卷积可学习、下采样同时变换特征；现代架构偏向步长卷积或可分离下采样。

数学机理：<strong>池化</strong>用固定规则下采样：<strong>max pooling</strong> 取窗口内最大值（保留最强激活，提供对小幅平移的鲁棒性），<strong>avg pooling</strong> 取平均（平滑、保留整体信息）。池化<strong>无参数、无学习</strong>，故是'纯结构'操作。<strong>步长卷积</strong>用 stride>1 的卷积同时完成'下采样 + 特征变换'，权重可学习。<strong>差异</strong>：(1) <strong>表达力</strong>——池化是固定的非线性（max 或 mean），步长卷积可学习'如何下采样'（可学会保留有用信息、丢弃无用信息）；(2) <strong>参数</strong>——池化零参数，步长卷积有参数（但在下采样时计算量可控）；(3) <strong>信息损失</strong>——max pooling 只保留最大值、丢弃其余（信息损失大），avg pooling 混合所有值（可能模糊）；步长卷积通过学习的权重选择性地聚合。<strong>为何现代架构偏向步长卷积</strong>——(a) 池化的固定规则可能丢弃有用信息；(b) 步长卷积与后续层可联合优化；(c) 在某些架构（如 ConvNeXt）中，用 stride 2 卷积 + LN 替代 pooling 效果更好；(d) 可分离下采样（depthwise stride + pointwise）进一步降低开销。但<strong>全局平均池化（GAP）</strong> 仍是分类头的标准（把 H×W×C 压成 1×1×C），因为它无参数、抗过拟合、与分类的'全局判断'语义一致。

深度剖析与工程权衡：① <strong>max vs avg 的选择</strong>——分类任务的中间层常用 max（保留显著特征）；而 GAP 在分类头用 avg（聚合全局证据）；检测/分割中 max 更常见（保留峰值响应）。② <strong>池化与不变性</strong>——max pooling 提供'局部平移不变性'（窗口内平移不改变最大值），但<strong>破坏平移等变性</strong>（下采样使位置信息粗化）；这在需要精确定位的任务（分割、检测）中是缺点。③ <strong>现代架构的替代</strong>——(a) <strong>stride 卷积</strong>（ResNet 的 downsample 用 1×1 stride 2）；(b) <strong>可分离下采样</strong>（MobileNet）；(c) <strong>pixel-unshuffle / space-to-depth</strong>（把空间维搬到通道维，无信息损失）；(d) <strong>blur pooling</strong>（抗混叠，改善平移不变性）。④ <strong>抗混叠问题</strong>——朴素下采样（stride 2 或 max pool）会引起<strong>混叠（aliasing）</strong>，破坏平移不变性；BlurPool（在 stride 前加低通滤波）可缓解，显著提升 CNN 的鲁棒性。⑤ <strong>ViT 中的对应</strong>——ViT 用'patch embedding'（卷积或线性投影 + stride）做下采样，没有显式池化；Swin 用 patch merging（拼接 + 线性）做下采样。⑥ <strong>面试要点</strong>——被问'池化 vs 步长卷积'，应给出'<strong>参数（无 vs 有）+ 表达力（固定 vs 可学习）+ 不变性（max 提供局部不变但破坏等变）</strong>'的对比，并提到'现代架构倾向步长卷积/可分离下采样，但 GAP 仍用于分类头'；能提到抗混叠是加分项。