因此，使用池化的唯一真正原因是减少特征表示的大小，从而随着网络的深入而导致更小的内存和计算足迹。是的，成本效益，而且：

泛化：当我们将几个值组合成一个有代表性的值时，我们会去掉不重要的小细节。因此，您真正得到的是减少过度拟合的机会

您的原始直觉和其他答案都包含重要且有效的观点：

• 减少特征图大小，从而减少整体计算需求。
• 通过从不重要的特征中过滤掉重要的特征来提供灵活性，增加感受野并降低过度拟合的风险。

但是，正如您所指出的，可以通过其他方式实现相同的效果。

其他答案遗漏的差异点是关键方面：池化具有这些好处，同时具有零可训练参数和快速计算。

常见的答案和您的类比都是错误的。在卷积和 ReLu 层之后添加池化层。这些层获取图像的特征图，其中重要特征在哪里。这些特征的问题是在特征图中获取特征的这个特定位置。图像的微小变化将反映特征图的总体变化。为了解决这个问题，您可以对池化层完成的特征图进行下采样。尝试阅读池化及其类型，例如最大池化和平均池化。它通过下采样来降低特征图中的特征重要性。

我认为这些常见的答案是非常正确但抽象的。在我看来，池化“选择最重要的特征”或通过丢弃附近的信息来“增加感受野”，例如 Maxpooling。这可能是有道理的，因为在某些情况下，比如图像分类，我们只需要一些重要的特征来分类，因此我们可以删除冗余的局部特征。或者通过AveragePooling，我们可以使特征图对局部变化更加稳定。

最后一个 FC 层确实选择了最重要的特征来使用，但是，如果每一层的输出对最终任务更有用，你可以获得更准确的结果，我们希望前一个网络学习可靠的特征，FC 层只是映射它们.

至于您的第二个想法，可以通过增加内核大小来增加感受野。但是如果你使用更大的内核大小，你会失去局部特征。这就是为什么提出拨号卷积的原因，它可以增加感受野而不会像池化一样丢失信息。

顺便说一句，正如 Hinton 所说，许多研究人员不使用池化，或者只是在近年来网络结束时使用它们：

卷积神经网络中使用的池化操作是一个很大的错误，它运行良好的事实是一场灾难。