粗略地说，单个卷积层试图捕捉特定特征在图形的给定区域中存在的程度。最大池化层是一种下采样策略：该层不是以非常细粒度的程度捕获某些特征的存在，而是对某些类进行下采样，例如几乎存在，几乎不存在。（粗略地说，因为每一层所学的内容都高度特定于所使用的数据集和网络架构）。

如果您将卷积视为信号提取，将最大池视为一种下采样/平滑策略，那么在信号提取之后而不是之前使用平滑是有意义的。

除了我们的朋友提到的，我想添加一些相关的东西。通常在卷积层中对输入进行卷积，然后将它们传递给非线性，然后通常采用最大池化。我体验过一种替代解决方案，它可以减少激活函数的计算次数。尝试使用过滤器，将输出传递给最大池层，最后在利用最大池层后添加非线性激活函数。它减少了计算的数量，而对先前层序列的输出没有任何改变。