参考网址：
https://blog.csdn.net/weixin_38145317/article/details/89310404
https://www.zhihu.com/question/36686900/answer/130890492
1.池化层的作用：对于输入的图像，池化层最主要的作用就是压缩图像
池化层在连续的卷积层中间，用于压缩数据和减少参数的量，减少过拟合
通常使用的汇合操作为平均值汇合(average-pooling)和最大值汇合(max-pooling)，最大池化保留了纹理特征,平均池化保留整体的数据特征。其实池化操作实际上就是一种“降采样”（down-sampling）操作
2.池化层的特点
1.特征不变性(feature invariant):
- 不变性包括translation(平移)，rotation(旋转)，scale(尺度)
- 特征不变性，也就是我们在图像处理中经常提到的特征的尺度不变性，池化操作就是图像的resize，平时一张狗的图像被缩小了一倍我们还能认出这是一张狗的照片，这说明这张图像中仍保留着狗最重要的特征，我们一看就能判断图像中画的是一只狗，图像压缩时去掉的信息只是一些无关紧要的信息，而留下的信息则是具有尺度不变性的特征，是最能表达图像的特征
- translation invariance:
- 这里举一个直观的例子(数字识别)，假设有一个16x16的图片，里面有个数字1，我们需要识别出来，这个数字1可能写的偏左一点(图1)，这个数字1可能偏右一点(图2)，图1到图2相当于向右平移了一个单位，但是图1和图2经过max pooling之后它们都变成了相同的8x8特征矩阵，主要的特征我们捕获到了，同时又将问题的规模从16x16降到了8x8，而且具有平移不变性的特点。图中的a（或b）表示，在原始图片中的这些a（或b）位置，最终都会映射到相同的位置。
- rotation invariance：
- 下图表示汉字“一”的识别，第一张相对于x轴有倾斜角，第二张是平行于x轴，两张图片相当于做了旋转，经过多次max pooling后具有相同的特征
- scale invariance：
- 下图表示数字“0”的识别，第一张的“0”比较大，第二张的“0”进行了较小，相当于作了缩放，同样地，经过多次max pooling后具有相同的特征
2.特征降维
- 我们知道一幅图像含有的信息是很大的，特征也很多，但是有些信息对于我们做图像任务时没有太多用途或者有重复，我们可以把这类冗余信息去除，把最重要的特征抽取出来，这也是池化操作的一大作用
3.在一定程度防止过拟合(overfitting)，更方便优化。
-
对于一个样本（一张图片）x，特征维数dim(x)从原来的256（16x16），到现在的64（8x8），我们的特征维数减少了，同时我们的参数w规模也减少了，整个模型就变得相对简单点。就好比一些常见的防止过拟合的方法(后续更新)，例如L1正则，目的是为了得到稀疏解，即稀疏的w。相反，如果我们的特征变多了，模型会拟合这些特征，使得模型变得复杂，但同时模型的泛化能力降低，即过拟合。
-
也就是说pooling后会让之前的特征维数减少，训练参数减少，泛化能力加强，进而防止过拟合。 其中特征维数的减少并不会让之前的特征丢失