poolin个的作用主要有两个方面：
1：不变性（invariance），这种不变性包括translation（平移），rotation(旋转)，scale(尺度)
可通过一次或者多次max pooling达到要求，具有相同的特性
2：保留主要的特性同时减少参数（降维，效果类似PCA）和计算量，防止过拟合，提高模型的泛化性能
尺度不变性，也就是增大了感受野，即这个特征原来被16*16的表示，经过pooling后，可以用4*4的图表示，假如一个2*2的卷积核就能够多框进去一些信息，提取的特征也就越准确。
但是为了增加感受野，一开始就用跟图像一样大小的卷积核，是不可取的。
卷积层越深模型的表征能力越强，即卷积次数越多越好，你用跟图像一样大的的到一个1*1的feature map 。但是一下降维那么多，会导致很多重要的信息丢失，你再进行卷积的时候效果就不会太好了
一次性降维到1*1与多次降维最后降到1*1的区别是什么？
第一次降维到1*1会导致一次性丢失信息太多，之后的卷积的表征能力就没有那么强了，而逐渐降维一次性的丢失的信息没有那么多，所以以后每一次卷积表征能力相对一次性降维更强。
pooling的缺点：
能够增大感受野，让卷积看到更多的信息，但是它在降维的过程中丢失了一些信息（只留下它认为重要的信息），所以pooling增大感受野的前提是丢失了一些信息（即降低了分辨率），这对segmentation要求的精度location有一定影响。
所以pooling层跟segmentation有一定的冲突，但是你不用又不行，感受野可以帮助你提高准确率，而且还可以降低计算量，增强模型的泛化能力，所以感受野，分辨率，参数三者很难两全。