池化层
缩减模型大小，提高计算速度，同时提高所提取特征的鲁棒性
最大化操作就是只要在任何一个象限内提取到某个特征，它都会保留在最大池化的输出里。（保留其最大值）
Max pooling
（最大池化）计算方法：
像卷积那样移动过滤器，不同的是每个区域不再相乘计算，而是取最大值作为输出层对应区域的值。
池化层并没有参数需要学习，但是有超级参数（HypeParameter）：f和s（过滤器大小和步幅）
Eg:常用参数：f=2，s=2，就是把表示层的高度和宽度缩减一半。
最大池化很少用padding（p=0）.
每个信道（通道channel，即每一层二维数组）都单独进行最大池化
平均池化（Average pooling）:每个区域不取最大值，而取平均值（可以不是整数）。
平均池化不常用，但是深度很深的神经网络，可以用平均池化来分解规模。
最大池化只是计算神经网络某一层的静态属性。