池化有多重好处

• 强大的特征检测。
• 使更深的 CNN 在计算上可行

强大的特征检测

考虑一下最大池（最流行的）来理解这一点。考虑一层中的 2*2 框/单元，该层仅映射到下一层中的 1 框/单元（基本上是池化）。假设特征图（内核）检测到花瓣。然后，如果前一层的 4 个单元中的任何一个被触发，则对花瓣进行限定，从而使检测对噪声具有鲁棒性。没有严格的要求必须发射所有 4 个单元来检测花瓣。因此，下一层（池化后）捕获具有噪声不变性的特征。我们也可以说它是局部平移不变性（在紧密的空间意义上），因为移位的特征也将被捕获。但也要记住翻译不变性通常首先通过与内核的卷积来捕获。（查看 1 个内核如何与整个图像进行卷积）

计算优势

图像分类中输入的维度非常巨大，即使只有很少的层，乘法运算的数量也可以达到数十亿。输出层池化减少了下一层的输入维度，从而节省了计算量。但现在也可以瞄准具有与以前相同复杂性的真正深度网络（层数）。

此外，一般来说，它在检测中有些帮助，因为只有最强的特征特征过滤器被激活，所以在某种意义上它会删除额外的信息。

但它显然有缺点，导致检测到的特征组合不是实际的对象。