基于MATLAB的神经网络池化过程

%VL_NNPOOL CNN poolinng.
%   Y = VL_NNPOOL（X POOL） applies the pooling operator to all
%   channels of the data X using a square filter of size POOL. X is a
%   SINGLE array of dimension H x W x D x N where （HW） are the
%   height and width of the map stack D is the image depth （number
%   of feature channels） and N the number of of images in the stack.
%
%   Y = VL_NNPOOL（X [POOLY POOLX]） uses a rectangular filter of
%   height POOLY and width POOLX.
%
%   DZDX = VL_NNPOOL（X POOL DZDY） computes the derivatives of the
%   block projected onto DZDY. DZDX and DZDY have the same dimensions
%   as X and Y respectively.
%
%   VL_NNCONV（... ‘option‘ value ...） takes the following options:
%
%   ‘Stride‘:: 1
%     The output stride （downsampling factor）. It can be either a
%     scalar for isotropic downsampling or a vector [STRIDEY
%     STRIDEX].
%
%   ‘Pad‘:: 0
%     The amount of input padding. Input images are padded with zeros
%     by this number of pixels on all sides before the convolution is
%     computed. It can also be a vector [TOP BOTTOM LEFT RIGHT] to
%     specify a different amount of padding in each direction. The
%     size of the poolin filter has to exceed the padding.
%
%   ‘Method‘:: ‘max‘
%     Specify method of pooling. It can be either ‘max‘ （retain max value
%     over