1.池化层的作用
除了卷积层，卷积网络也经常使用池化层，来缩减模型大小，提高计算速度；同时提高所提取特征的鲁棒性。
2.池化层的超级参数（Haperparameters）
池化层的超级参数包：
f：filter size
s：stride
常用的超级参数值为f=2；s=2。其效果相当于高度和和宽度缩减一半。当然也可能用到padding，但是这种情况是极其少见的。
Max or Average pooling
* 池化过程中没有需要学习的参数，执行反向传播时，反向传播没有参数适用于最大池化
* 最大池化只是计算神经网络某一层的静态属性，没有什么需要学习的，只是静态属性。
池化层举例：
最大池化
e.g1
e.g2
计算最大池化的方法：就是分别对每个信道执行上面的计算操作
-平均池化
顾名思义，就是计算过滤器里的平均值
最大池化要比平均池化更常用，但也有例外，就是深度很深的神经网络，你可以用平均池化来分解规模为7x7x1000的网络的表示层。但在神经网络中最大池化要比平均池化用的更多。
全连接层示例
引入：一类卷积是一个卷积层和一个池化层作为一层；另一类卷积是吧卷积层作为一层，而池化层座位另一层。人们在计算神经网络有多少层时，通常只是统计具有权重的层和参数的层，因为池化层没有参数，只是有超级参数。当然，这只是两种不同的标记术语。
·· layerⅠ包含一个卷积层和一个池化层
神经网络激活值示例
** 池化层和最大池化层没有参数
** 卷积层参数相对较少，许多参数都来自全连接层
随着神经网络的加深，激活值会逐渐减少，如果激活值下降太快，也会影响网络性能
许多计算机视觉研究正在探索，如何把这些基本模块整合起来，构建高效的神经网络，整合这些基本模块确实需要深入的理解和感觉。其中大量阅读别人的文献案例是必不可少的。
