轉載自：https://blog.csdn.net/weixin_41513917/article/details/102514739
在卷積後還會有一個 pooling 的操作。
max pooling 的操作如下圖所示：整個圖片被不重疊的分割成若干個同樣大小的小塊（pooling size）。每個小塊內只取最大的數字，再捨棄其他節點後，保持原有的平面結構得出 output。
注意區分max pooling（最大值池化）和卷積核的操作區別：池化作用於圖像中不重合的區域（這與卷積操作不同）
這個圖中，原來是4*4的圖片。優於不會重合，所以filter的大小和步長stride是相等的，爲2.
粉色區域最大值爲6，得到的該區域結果是6，綠色是8，黃色是3，紫色是4.
有一個動圖：
PS：發現其實是有重疊池化的（overlapping pooling）相鄰池化窗口之間會有重疊區域，此時filter的大小sizeX>stride步長。
Max Pooling的作用
作用1：invariance(不變性)
invariance(不變性)，這種不變性包括translation(平移)不變性，rotation(旋轉)不變性，scale(尺度)不變性。
（1）translation平移
圖中左邊兩個大圖，表示數字1，但是兩個的位置不同，上者經過向右平移得到下者。經過池化後，得到了相同的結果。
（2）rotation
左邊大圖表示的是漢字“一”（姑且這麼理解吧，明白就行）。經過兩次池化得到了相同的結果。
（3）scale
左邊大圖表示的是數字0，經過兩次池化得到了相同的結果。
再舉一個例子：
考慮黃色區域中黑色的形狀-----“橫折”。經過2*2的filter之後，得到了3*3的output；
經過3*3的最大池化後，都得到了1*1的output 爲3.
可以看出，“橫折”這個形狀，在經過池化後得到的結果是相同的，這就減小下一層輸入大小，減小計算量和參數個數，降維（減小feature map的尺寸）。
作用2：增大感受野
可能跟作用1的結論有些因果關係。
首先它第一個作用是降低feature map的尺寸，減少需要訓練的參數；其次，因爲有縮小的作用，所以之前的4個像素點，現在壓縮成1個。那麼，相當於我透過這1個點，就可以看到前面的4個點，這不就是把當前map的感受野一下子放大了嘛（參考）
聽說pooling層可以消失
因爲我們可以用步長大於1的卷積來替代。
害，我覺得這肯定是要付出時間代價的emmmm，參數也多。
有人做了實驗。
上圖是3個CNN的結構模型：①Strided-CNN-C直接使用的conv. + ReLU; ② ConvPool-CNN-C使用了max-pooling，大小爲2；③All-CNN-C未使用max-pooling，使用的是步長爲2的卷積。
結果如下：
嗯，錯誤率降低了。
Springenberg J T, Dosovitskiy A, Brox T, et al. Striving for Simplicity: The AllConvolutional Net[J]. Eprint Arxiv, 2014.
還是可以用pooling的
因爲pooling相對於帶步長的卷積操作，畢竟減少了計算量，所以對於很多需要concat/add featuremap通道的小模型，pooling仍然可以以小搏大。比如下面的shufflenet的block。
Zhang X, Zhou X, Lin M, et al. ShuffleNet: An Extremely EfficientConvolutional Neural Network for Mobile Devices[J]. 2017.
參考鏈接
https://www.jianshu.com/p/c3ba4ca849d3
https://blog.csdn.net/jiachen0212/article/details/78548667
https://www.cnblogs.com/ying-chease/p/8658351.html
https://www.sohu.com/a/160924449_651893
https://www.cnblogs.com/guoyaohua/p/8674228.html