一、概念

池化就是把數據壓縮的過程，屬于下采樣的一種方法，可以顯著降低神經網絡計算復雜度，減少訓練中的過擬合，同時可以使數據具有一定的不變性。

池化從方法上來講可以分為average Pooling、max Pooling、Overlapping Pooling、Spatial Pyramid Pooling，其中max Pooling是最常見的池化方法，Overlapping Pooling值得注意的是filter的size小于stride，Spatial Pyramid Pooling（空間金字塔池化）可以將不同維度的卷積特征轉化到同一個維度，可以減少一些由于croping引起的數據損失。
下圖是用最大池化的方法對4 * 4的矩陣進行處理，filter為2 * 2，stride等于2，最終得到2*2的矩陣，矩陣中的值為遍歷矩陣的最大值。

二、Pytorch示例

還是用CIFAR10數據集,池化方法采用最大池化，filter為3*3。

dataset = torchvision.datasets.CIFAR10("../dataset", train=False, download=True,  transform=torchvision.transforms.ToTensor())dataloader = DataLoader(dataset, batch_size=64)class Wzh(nn.Module):def __init__(self):super(Wzh, self).__init__()self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=True)def forward(self, input):output = self.maxpool1(input)return outputwzh = Wzh()
w= SummaryWriter("MaxPool")
i = 0for data in dataloader:imgs, targets = data    output1 = wzh(imgs)w.add_images("input", imgs, i)w.add_images("output", output1, i)i= i+ 1w.close()

結果如下：