1. 池化层
如果我们拍摄黑白之间轮廓清晰的图像X，并将整个图像向右移动一个像素，即Z[i, j] = X[i, j + 1]，则新图像Z的输出可能大不相同。而在现实中，随着拍摄角度的移动，任何物体几乎不可能发生在同一像素上。即使用三脚架拍摄一个静止的物体，由于快门的移动而引起的相机振动，可能会使所有物体左右移动一个像素（除了高端相机配备了特殊功能来解决这个问题）。
因此，引入汇聚（pooling）层，它具有双重目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。
2. 二维最大池化
池运算是确定性的，我们通常计算汇聚窗口中所有元素的最大值或平均值。这些操作分别称为最大汇聚层（maximum pooling）和平均汇聚层（average pooling）。
回到本节开头提到的对象边缘检测示例，现在我们将使用卷积层的输出作为2 * 2最大汇聚的输入。 设置卷积层输入为X，汇聚层输出为Y。 无论X[i, j]和X[i, j + 1]的值相同与否，或X[i, j + 1]和X[i, j + 2]的值相同与否，汇聚层始终输出Y[i, j] = 1。
也就是说，使用2 * 2最大汇聚层，即使在高度或宽度上移动一个元素，卷积层仍然可以识别到模式。
3. 填充，步幅和多个通道
- 池化层与卷积层类似，都具有填充和步幅
- 没有可学习的参数
- 在每个输入通道应用池化层以获得相应的输出通道
- 输出通道数 = 输入通道数
4. 平均池化层
5. 总结
- 池化层返回窗口中最大或平均值
- 缓解卷积层对位置的敏感性
- 同样有窗口大小、填充和步幅作为超参数
6. 一些Q&A
Q1：池化层一般是放在卷积层后面吗？池化层能放在卷积层前面吗？
A1:通常语义上来说，池化层一般是放在卷积层后面
Q2:池化时，窗口有重叠和没有重叠影响如何？
A2：没什么影响，区别不大。
ps：池化层能减少运算量，但现在计算力越来越高，就越来越少的池化，例如Alphago就一个池化都没有
