參考網址：
https://www.zhihu.com/question/36686900/answer/130890492
https://www.cnblogs.com/skyfsm/p/6790245.html
池化層夾在連續的卷積層中間， 用於壓縮數據和參數的量，減小過擬合。
簡而言之，如果輸入是圖像的話，那么池化層的最主要作用就是壓縮圖像。
下采樣層也叫池化層，其具體操作與卷積層的操作基本相同，只不過下采樣的卷積核為只取對應位置的最大值、平均值等（最大池化、平均池化），即矩陣之間的運算規律不一樣，並且不經過反向傳播的修改。
池化層的作用：
個人覺得主要是兩個作用：
1. invariance(不變性)，這種不變性包括translation(平移)，rotation(旋轉)，scale(尺度)
2. 保留主要的特征同時減少參數(降維，效果類似PCA)和計算量，防止過擬合，提高模型泛化能力
A: 特征不變性，也就是我們在圖像處理中經常提到的特征的尺度不變性，池化操作就是圖像的resize，平時一張狗的圖像被縮小了一倍我們還能認出這是一張狗的照片，這說明這張圖像中仍保留着狗最重要的特征，我們一看就能判斷圖像中畫的是一只狗，圖像壓縮時去掉的信息只是一些無關緊要的信息，而留下的信息則是具有尺度不變性的特征，是最能表達圖像的特征。
B. 特征降維，我們知道一幅圖像含有的信息是很大的，特征也很多，但是有些信息對於我們做圖像任務時沒有太多用途或者有重復，我們可以把這類冗余信息去除，把最重要的特征抽取出來，這也是池化操作的一大作用
(1) translation invariance：
這里舉一個直觀的例子(數字識別)，假設有一個16x16的圖片，里面有個數字1，我們需要識別出來，這個數字1可能寫的偏左一點(圖1)，這個數字1可能偏右一點(圖2)，圖1到圖2相當於向右平移了一個單位，但是圖1和圖2經過max pooling之后它們都變成了相同的8x8特征矩陣，主要的特征我們捕獲到了，同時又將問題的規模從16x16降到了8x8，而且具有平移不變性的特點。圖中的a（或b）表示，在原始圖片中的這些a（或b）位置，最終都會映射到相同的位置。
(2) rotation invariance：
下圖表示漢字“一”的識別，第一張相對於x軸有傾斜角，第二張是平行於x軸，兩張圖片相當於做了旋轉，經過多次max pooling后具有相同的特征
池化層用的方法有Max pooling 和 average pooling，而實際用的較多的是Max pooling。這里就說一下Max pooling，其實思想非常簡單。
對於每個2*2的窗口選出最大的數作為輸出矩陣的相應元素的值，比如輸入矩陣第一個2*2窗口中最大的數是6，那么輸出矩陣的第一個元素就是6，如此類推。