池化层没有影响反向传播的参数。反向传播是一种算法，通过使用链式法则并将误差从最后一层传播到早期层，在神经网络中有效地实现梯度下降。影响反向传播的参数通常称为可训练变量（在 Tensorflow 中），它们是卷积滤波器的权重和偏差。添加池化层不会改变它们的数量。

池化层是一种执行下采样的方法，使用它们的主要原因如下：

• 减少网络的计算负载：更小的输出意味着更少的 FLOPS
• 在训练期间节省内存：减少 GPU 中的内存分配
• 增加连续层中神经元的感受野。您可以查看有关此主题的链接：https ://medium.com/@santi.pdp/​​receptive-fields-in-convolutional-neural-networks-6368a699d838
• 为特征图添加平移不变性：在池化时，一个特征的小平移将导致该特征位于下一个池化层中的相同位置

事实是，池化层可能会对网络的学习能力产生很大影响