在ConvNet体系结构中，在连续的Conv层之间定期插入池化层是很常见的。它的功能是逐步减小表示的空间大小，以减少网络中的参数和计算量，从而控制过拟合。池化层在输入的每个深度片上独立操作，并使用MAX运算在空间上调整其大小。最常见的形式是使用大小为2x2的过滤器的池化层，在输入的每个深度片上以2的宽度和高度下采样，舍弃75的激活值。池化层不会改变图像的深度。总的来说，池化层：
- 接受大小为W1×H1×D1的输入
- 需要两个超参数：
- 它们的空间范围F
- 步长S
- 产生大小为W2×H2×D2的输出，其中：
- W2=(W1−F)/S+1
- H2=(H1−F)/S+1
- D2=D1
- 没有引入任何参数，因为它是用固定的函数来对输入进行处理
- 对于池化层，使用zero-padding来填充输入是不常见的。
值得注意的是，实践中发现的最大池层只有两种常见的设置：F=3，S=2的池化层（也称为重叠池化）；以及更常见的F=2，S=2。
除了最大池化外，池化单元还可以执行其他功能，例如平均池化甚至L2标准池化。平均池化在历史上经常被使用，但是最近与最大池化操作相比已经失宠了，最大池化操作在实践中被证明工作得更好。
上图为池化示意图。池化层在空间上对输入进行下采样，每次只对每个深度切片进行操作。左图：在本例中，大小为[224x224x64]的输入通过大小为2，跨步长也为2的池化操作后，其输出大小为[112x112x64]。右图：最常见的下采样操作max池化的示例。
回想一下，在神经网络反向传递过程中，max函数的梯度是：最大值对应的梯度与上一层的梯度一致，而其余值的梯度则都为0。因此，在CNN中，max池化的反向传播梯度计算也遵循这个规则。
需要注意的是，许多人不喜欢池化操作，认为我们可以不使用它。例如，这篇文章建议放弃池化层，而采用只包含重复CONV层的体系结构。为了减小表示的大小，他们建议偶尔在CONV层中使用更大的步幅。丢弃池化层对于训练良好的生成模型也很重要，例如变分自动编码器（variational autoencoders，VAEs）或生成对抗网络（generative adversarial networks，GANs）。未来的CNN体系结构中很可能很少甚至没有池化层。
