- 在经过卷积层得到的feature map通常维度比较大，如果直接输入到下一层卷积或者全连接层将会面临巨大的运算量，通过池化层就可以整合特征，减小feature map的维度。
- 池化函数会对pixel及其周围的矩形区域进行总体特征的统计，然后将得到的数值作为这一位置新的特征值
- 减小feature map的维度（减少参数及运算量）
- 保留特征
- 防止过拟合，提高泛化能力
- invariant
平移不变性、旋转不变性、尺度不变性：我们在feature map中判断一个特征时，并不会关心该特征在feature map中的位置、旋转的角度或者该特征的尺寸。例如我们要识别一个人，无论这个人在图片中的哪个位置、是站着还是躺着、在整个图片中占了多大比例，我们都能一眼看出来这是一个人。而池化层就是进行的上述操作，能够帮助输入地表示近似不变。
常见的池化及其反向传播最大池化
- 将当前位置及指定邻近矩形区域内的最大值作为该位置的输出
- 在反向传播中会将下层的误差值传递给上层的对应区域内的最大值
平均池化
- 将当前位置及指定临近矩形区域内所有数值的平均值作为该位置的输出
- 在反向传播中会将下层的误差值平均地传递给上层对应区域内所有的位置
