Max Pooling是什么
在卷积后还会有一个 pooling 的操作。
max pooling 的操作如下图所示：整个图片被不重叠的分割成若干个同样大小的小块（pooling size）。每个小块内只取最大的数字，再舍弃其他节点后，保持原有的平面结构得出 output。
注意区分max pooling（最大值池化）和卷积核的操作区别：池化作用于图像中不重合的区域（这与卷积操作不同）
这个图中，原来是4*4的图片。优于不会重合，所以filter的大小和步长stride是相等的，为2.
粉色区域最大值为6，得到的该区域结果是6，绿色是8，黄色是3，紫色是4.
有一个动图：
PS：发现其实是有重叠池化的（overlapping pooling）相邻池化窗口之间会有重叠区域，此时filter的大小sizeX>stride步长。
Max Pooling的作用
作用1：invariance(不变性)
invariance(不变性)，这种不变性包括translation(平移)不变性，rotation(旋转)不变性，scale(尺度)不变性。
（1）translation平移
图中左边两个大图，表示数字1，但是两个的位置不同，上者经过向右平移得到下者。经过池化后，得到了相同的结果。
（2）rotation
左边大图表示的是汉字“一”（姑且这么理解吧，明白就行）。经过两次池化得到了相同的结果。
（3）scale
左边大图表示的是数字0，经过两次池化得到了相同的结果。
再举一个例子：
考虑黄色区域中黑色的形状-----“横折”。经过2*2的filter之后，得到了3*3的output；
经过3*3的最大池化后，都得到了1*1的output 为3.
可以看出，“横折”这个形状，在经过池化后得到的结果是相同的，这就减小下一层输入大小，减小计算量和参数个数，降维（减小feature map的尺寸）。
作用2：增大感受野
可能跟作用1的结论有些因果关系。
首先它第一个作用是降低feature map的尺寸，减少需要训练的参数；其次，因为有缩小的作用，所以之前的4个像素点，现在压缩成1个。那么，相当于我透过这1个点，就可以看到前面的4个点，这不就是把当前map的感受野一下子放大了
听说pooling层可以消失
因为我们可以用步长大于1的卷积来替代。
害，我觉得这肯定是要付出时间代价的emmmm，参数也多。
有人做了实验。
上图是3个CNN的结构模型：①Strided-CNN-C直接使用的conv. + ReLU; ② ConvPool-CNN-C使用了max-pooling，大小为2；③All-CNN-C未使用max-pooling，使用的是步长为2的卷积。
结果如下：
错误率降低了。
Springenberg J T, Dosovitskiy A, Brox T, et al. Striving for Simplicity: The AllConvolutional Net[J]. Eprint Arxiv, 2014.
还是可以用pooling的
因为pooling相对于带步长的卷积操作，毕竟减少了计算量，所以对于很多需要concat/add featuremap通道的小模型，pooling仍然可以以小搏大。比如下面的shufflenet的block。
Zhang X, Zhou X, Lin M, et al. ShuffleNet: An Extremely EfficientConvolutional Neural Network for Mobile Devices[J]. 2017.
参考链接
https://www.jianshu.com/p/c3ba4ca849d3
https://blog.csdn.net/jiachen0212/article/details/78548667
https://www.cnblogs.com/ying-chease/p/8658351.html
https://www.sohu.com/a/160924449_651893
https://www.cnblogs.com/guoyaohua/p/8674228.html
https://blog.csdn.net/dulingtingzi/article/details/79848625
https://blog.csdn.net/u010402786/article/details/51541465
https://blog.csdn.net/weixin_41513917/article/details/102514739