池化操作(Pooling)是CNN中非常常見的壹種操作，Pooling層是模仿人的視覺系統對數據進行降維，池化操作通常也叫做子采樣(Subsampling)或降采樣(Downsampling)，在構建卷積神經網絡時，往往會用在卷積層之後，通過池化來降低卷積層輸出的特征維度，有效減少網絡參數的同時還可以防止過擬合現象。
主要功能有以下幾點：
抑制噪聲，降低信息冗余
提升模型的尺度不變性、旋轉不變形
降低模型計算量
防止過擬合
池化操作(Pooling)是CNN中非常常見的壹種操作，Pooling層是模仿人的視覺系統對數據進行降維，池化操作通常也叫做子采樣(Subsampling)或降采樣(Downsampling)，在構建卷積神經網絡時，往往會用在卷積層之後，通過池化來降低卷積層輸出的特征維度，有效減少網絡參數的同時還可以防止過擬合現象。
主要功能有以下幾點：
抑制噪聲，降低信息冗余
提升模型的尺度不變性、旋轉不變形
降低模型計算量
防止過擬合