编写您自己的池化操作
正如我们之前所见，CNN 的参数可能非常多。通常会在神经网络的卷积层之间加入池化层，用更精炼的方式汇总它们的输出，并减少网络下一层的参数量。如果我们希望更快地训练网络，或者可用数据不足以学习大量参数，这会很有帮助。
池化层可以看作是一种特殊的卷积。对于输入中的每个窗口，它都会找到该窗口内的最大像素值，并只传递这个像素。在本练习中，您将基于之前用于编写二维卷积操作的代码，实现您自己的最大池化（max pooling）操作。
本练习是课程的一部分
使用 Keras 进行图像建模
练习说明
- 对输入数组（
im）进行索引，选取正确的窗口。 - 找出该窗口中的最大值。
- 将其写入输出数组（
result）中的相应位置。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Result placeholder
result = np.zeros((im.shape[0]//2, im.shape[1]//2))
# Pooling operation
for ii in range(result.shape[0]):
for jj in range(result.shape[1]):
result[ii, jj] = np.max(____)