傳統機器學習通過特徵工程提取特徵，作爲Input參數進行輸入，從而擬合一個相對合適的w參數，而CNN利用卷積層感知局部特徵，然後更高層次對局部進行綜合操作，從而得到全局信息，池化層層提取主要特徵，從而自動提取特徵。
1、池化層的理解
pooling池化的作用則體現在降採樣：保留顯著特徵、降低特徵維度，增大kernel的感受野。另外一點值得注意：pooling也可以提供一些旋轉不變性。
池化層可對提取到的特徵信息進行降維，一方面使特徵圖變小，簡化網絡計算複雜度並在一定程度上避免過擬合的出現；一方面進行特徵壓縮，提取主要特徵。
最大池採樣在計算機視覺中的價值體現在兩個方面：(1)、它減小了來自上層隱藏層的計算複雜度；(2)、這些池化單元具有平移不變性，即使圖像有小的位移，提取到的特徵依然會保持不變。由於增強了對位移的魯棒性，這樣可以忽略目標的傾斜、旋轉之類的相對位置的變化，以此提高精度，最大池採樣方法是一個高效的降低數據維度的採樣方法。
需要注意的是：這裏的pooling操作是特徵圖縮小，有可能影響網絡的準確度，因此可以通過增加特徵圖的深度來彌補（這裏的深度變爲原來的2倍）。
在CNN網絡中卷積池之後會跟上一個池化層，池化層的作用是提取局部均值與最大值，根據計算出來的值不一樣就分爲均值池化層與最大值池化層，一般常見的多爲最大值池化層。池化的時候同樣需要提供filter的大小、步長。
tf.nn.max_pool(value, ksize, strides, padding, name=None)
參數是四個，和卷積很類似：
第一個參數value：需要池化的輸入，一般池化層接在卷積層後面，所以輸入通常是feature map，依然是[batch, height, width, channels]這樣的shape
第二個參數ksize：池化窗口的大小，取一個四維向量，一般是[1, height, width, 1]，因爲我們不想在batch和channels上做池化，所以這兩個維度設爲了1
第三個參數strides：和卷積類似，窗口在每一個維度上滑動的步長，一般也是[1, stride,stride, 1]
第四個參數padding：和卷積類似，可以取’VALID’ 或者’SAME’
返回一個Tensor，類型不變，shape仍然是[batch, height, width, channels]這種形式
舉例：池化輸出特徵圖計算和卷積計算公式相同，區別是池化是求卷積區域中的max，不涉及卷積計算。
（1）pooling（kernel size 2×2，padding 0，stride 2） 32*32*16->pooling之後（32-2+0）/2 + 1 =16*16
pool3 = tf.nn.max_pool(layer3,[1,2,2,1],[1,2,2,1],padding='SAME') // p = (f-1)/2=(2-1)/2=0,,所以padding='SAME'或“VALID”輸出一樣
（2）pooling（kernel size 3×3，padding 0，stride 1） 32*32*16->pooling之後（32-3+0）/1 + 1 = 30*30
pool3 = tf.nn.max_pool(layer3,[1,3,3,1],[1,1,1,1])
2、padding的理解
之前在討論卷積神經網絡的時候，我們是使用filter來做元素乘法運算來完成卷積運算的。目的是爲了完成探測垂直邊緣這種特徵。但這樣做會帶來兩個問題。
卷積運算後，輸出圖片尺寸縮小；
越是邊緣的像素點，對於輸出的影響越小，因爲卷積運算在移動的時候到邊緣就結束了。中間的像素點有可能會參與多次計算，但是邊緣像素點可能只參與一次。所以我們的結果可能會丟失邊緣信息。
那麼爲了解決這個問題，我們引入padding， 什麼是padding呢，就是我們認爲的擴充圖片， 在圖片外圍補充一些像素點，把這些像素點初始化爲0.
padding的用途：
（1）保持邊界信息，如果沒有加padding的話，輸入圖片最邊緣的像素點信息只會被卷積核操作一次，但是圖像中間的像素點會被掃描到很多遍，那麼就會在一定程度上降低邊界信息的參考程度，但是在加入padding之後，在實際處理過程中就會從新的邊界進行操作，就從一定程度上解決了這個問題。
（2）可以利用padding對輸入尺寸有差異圖片進行補齊，使得輸入圖片尺寸一致。
（3）卷積神經網絡的卷積層加入Padding，可以使得卷積層的輸入維度和輸出維度一致。
（4）卷積神經網絡的池化層加入Padding，一般都是保持邊界信息和
padding模式：SAME和VALID
SAME：是填充，填充大小， p = (f-1)/2；VALID：是不填充，直接計算輸出。