池化的定义比较简单，最直观的作用便是降维，常见的池化有最大池化、平均池化和随机池化。
池化层不需要训练参数。
1、 三种池化：最大池化Maxpool、平均池化Average_pool、随机池化randpool
最大池化是对局部的值取最大；平均池化是对局部的值取平均；随机池化是根据概率对局部的值进行采样，采样结果便是池化结果。概念非常容易理解，其示意图如下所示：
其中随机池化 1/(1+3+4) 4/8 0 3/8得到
2、三种池化的意义
（1）最大池化可以获取局部信息，可以更好保留纹理上的特征。如果不用观察物体在图片中的具体位置，只关心其是否出现，则使用最大池化效果比较好。
（2）平均池化往往能保留整体数据的特征，能凸出背景的信息。
（3）随机池化中元素值大的被选中的概率也大，但不是像最大池化总是取最大值。随机池化一方面最大化地保证了Max值的取值，一方面又确保了不会完全是max值起作用，造成过度失真。除此之外，其可以在一定程度上避免过拟合。
3、重叠池化
一般在CNN中使用的池化都是不重叠的，
但是池化也可以重叠，重叠池化和卷积操作类似，可以定义步长等参数
其和卷积的不同在于：卷积操作将窗口元素和卷积核求内积，而池化操作求最大值/平均值等，窗口的滑动等原理完全相同。
4、反池化
池化操作中最常见的最大池化和平均池化，因此最常见的反池化操作有反最大池化和反平均池化，其示意图如下：
反最大池化需要记录池化时最大值的位置，反平均池化不需要此过程。
五、参考文章:
[1] A guide to convolution arithmetic for deep learning
[2] 深度学习（书）
[3] deeplearning（ng）
[4] https://github.com/vdumoulin/conv_arithmetic
[5] 深度理解反卷积操作