思路

1. 解析输入：将输入的字符串转换为实际的二维列表和一维列表。
2. 确定参数：设输入特征图大小为 $n \times n$，池化窗口大小为 $w \times h$。
3. 计算输出尺寸：输出特征图的高度为 $out\_h = \lfloor (n - h) / stride \rfloor + 1$，宽度为 $out\_w = \lfloor (n - w) / stride \rfloor + 1$。通常步长（stride）等于池化窗口的尺寸（即非重叠池化），因此这里步长在高度方向为 $h$，在宽度方向为 $w$。
4. 滑动窗口取最大值：遍历每个窗口，计算窗口内的最大值，并填入输出矩阵。

代码实现

C++

题目内容

某医疗诊断公司在进行医疗图像识别的过程中，使用了基于卷积神经网络(CNN)的机器学习模型。其中，卷积层后的最大池化操作是关键步骤之一，它有助于减少模型的计算负担并提取特征的最重要部分。请根据输入描述和输出描述中的要求，编程实现与 CNN 中最大池化操作相关的子功能。

最大池化:最大池化是一种子采样方法，它在卷积操作后进行，用于减少模型的计算负担并提取特征的最重要部分。最大池化操作的步骤是:在卷积后的特征图中，选取一个固定大小的窗口，以固定的步长滑动窗口，并在每个窗口中选取最大的值作为该窗口的输出。

输入描述