1、池化层的原因：
缩减模型的大小，提高计算速度。提高索取特征的鲁棒性。
左上限应该是一个猫眼探测器。用池化层的直接原因是实验效果非常好。池化层又一个超参数是不用学习的。实际上，梯度下降没什么学的，只要知道f、s 他就是一个固定的运算。不需要改变任何值。
平均池化层：
目前来说最大池化比平均池化更常用。在很深的网络中，可以用平均池化分解规模7*7*1000的网络的表示层。
在池化过程中，池化的输出的池化层的信道数和输入信道数一致。（我们对每个信道做了池化）需要注意的是我们在池化的过程中，没有要学习的参数。所以在执行反向传播的时候没有参数适用于最大池化。只有这些设置过的超级参数，可能是手动设置的，也可能是交叉验证设置的，池化是一个静态属性。