你的问题文本不是很清楚，但我尽量给你你需要的。最大池化层通过这些CNNs层提供空间不变性能力，因为它们检查某物是否存在。如果您将它们堆叠在多个层中，您的网络将具有空间不变性的粗略能力，但这并不是那么多。此外，Hinton 教授在某处说过，使用池化层是一个错误，而且它们的工作是一场灾难。我没有引用确切的话。如果您希望网络具有空间不变性，您应该使用空间变换器，它们是可微分模块，可以在没有任何监督的情况下使用。看看这里。CNNs

最后，为了回答您的问题，池化层以某种方式移除了空间信息，这就是引入capsnet的原因。

关于全连接层，主要有两点。首先是输入，其次是输出。在卷积层中，每一层的输入被限制在其所使用的区域内，并且对于该输入，只有一个输出。因此，对于特定区域，只有一个输出负责该点。在 MLP 中，所有输入都进入单个神经元，所有输入只有一个值。我想这就是为什么它们不保留空间信息而仅用于分类任务的原因。实际上，他们只是尝试将提取的特征按CNNs.