除了 JCP 的回答，我还想补充一些细节。充其量，最大池化不是降低特征矩阵复杂度的最佳方法，因此过拟合/欠拟合和改进模型泛化（对于平移不变类）。

然而，随着 JCP 开始流行......这种方法存在问题。Hinton 或许在他的演讲中总结了CNN 出了什么问题。这也为他的新颖架构胶囊网络或只是胶囊提供了动力。

正如他所说，主要问题不是平移方差本身，而是姿势方差。具有最大池化的 CNN 不仅能够处理简单的转换，如翻转或旋转，而且没有太多麻烦。问题伴随着复杂的变换，因为如果现实世界的示例包含倒置的椅子、侧放的椅子等，学习到的关于椅子朝前的特征对类表示没有太大帮助。

然而，这里有很多工作要做，主要限于两个领域。那些是新颖的架构/方法以及从图像中推断出 3d 结构（通过 CNN 调整）。这个问题是几十年来研究人员的最大动力之一，即使是大卫马尔的原始草图。

最大池化还不错，它只取决于您使用卷积网络的目的。例如，如果您正在分析对象并且对象的位置很重要，则不应使用它，因为平移方差；如果您只需要检测一个对象，它可以帮助减少您传递到下一个卷积层的矩阵的大小。因此，这取决于您要使用 CNN 的应用程序。