汇合层（Pooling 层）的作用

汇合层可以看成是一种用p-范数作为非线性映射的“卷积”操作。当p为正无穷时，就是最常见的最大值汇合。汇合层主要有三个功效：
1、特征不变性，汇合操作使模型更加关注是否存在某些特征而不是特征具体的位置，可以看做是一种很强的先验，是特征学习包含某种程度自由度，能容忍一些特征微小的位移。
2、特征降维。类似于做了维度约减，使模型可以抽取更广泛围的特征，减小了下一层输入大小，进而减小计算量和参数个数。
3、在一定程度防止过拟合，更方便优化。

Average pooling 和 Max-pooling

Average pooling在历史上用的更多, 但是由于max-pooling通常效果更好, 所以现在max-pooling更常使用. Max-pooling和average pooling都对数据进行下采样, 除此之外, max-pooling还提供了非线性, 这是max-pooling效果更好的一个重要原因.Average pooling并非一无是处, 现在average pooling更多的是用在global average pooling中. 这最早由Network in network提出, 目前在ResNet, GoogLeNet等主流网络中都有使用.
分类问题上max-pooling相当于特征选择，选出有利于分类辨识度高的特征去分类。
作者：Hao Zhang
链接：https://www.zhihu.com/question/57780688/answer/185188504
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。