池化操作時在卷積神經網絡中經常采用過的一個基本操作，一般在卷積層后面都會接一個池化操作，但是近些年比較主流的ImageNet上的分類算法模型都是使用的max-pooling，很少使用average-pooling，這對我們平時設計模型時確實有比較重要的參考作用，但是原因在哪里呢？
通常來講，max-pooling的效果更好，雖然max-pooling和average-pooling都對數據做了下采樣，但是max-pooling感覺更像是做了特征選擇，選出了分類辨識度更好的特征，提供了非線性，根據相關理論，特征提取的誤差主要來自兩個方面：（1）鄰域大小受限造成的估計值方差增大；（2）卷積層參數誤差造成估計均值的偏移。一般來說，average-pooling能減小第一種誤差，更多的保留圖像的背景信息，max-pooling能減小第二種誤差，更多的保留紋理信息。average-pooling更強調對整體特征信息進行一層下采樣，在減少參數維度的貢獻上更大一點，更多的體現在信息的完整傳遞這個維度上，在一個很大很有代表性的模型中，比如說DenseNet中的模塊之間的連接大多采用average-pooling，在減少維度的同時，更有利信息傳遞到下一個模塊進行特征提取。
但是average-pooling在全局平均池化操作中應用也比較廣，在ResNet和Inception結構中最后一層都使用了平均池化。有的時候在模型接近分類器的末端使用全局平均池化還可以代替Flatten操作，使輸入數據變成一位向量。
max-pooling和average-pooling的使用性能對於我們設計卷積網絡還是很有用的，雖然池化操作對於整體精度提升效果也不大，但是在減參，控制過擬合以及提高模型性能，節約計算力上的作用還是很明顯的，所以池化操作時卷積設計上不可缺少的一個操作。