Max Pooling介绍
卷积神经网络CNN中，一般在卷积层后还会有一个 pooling层，即池化层，池化层做的实际是数据降维，简化计算。
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，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)，上图是4*4的图片，由于不会重合，所以filter的大小和步长stride是相等的，均为2。
Max Pooling的作用
1.translation(平移)不变性(invariance)
左边两个大图中表示数字1，但是两个1的位置不同，上者向右平移得到下者，在经过池化后，得到了相同的结果。
2.rotation(旋转)不变性
左边两个大图中表示数字1，但是两个1的角度不同，上者旋转得到下者，在经过池化后，得到了相同的结果。
3.scale(尺度)不变性
左边两个大图中表示数字0，但是两个0的尺度不同，上者缩小得到下者，在经过池化后，得到了相同的结果。
4.举例
黄色区域中黑色的形状均为“横折”，经过22的filter之后，得到了33的output，再经过33的最大值池化后，都会得到11的output–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，这就减小了下一层输入大小，减小计算量和参数个数，完成了降维(减小feature map的尺寸)。