为什么在卷积神经网络中需要最大池化？

最常见的卷积神经网络包含池化层以减小输出特征的尺寸。为什么仅通过增加卷积层的步幅就无法实现相同的目的？是什么使得池化层成为必需？

您确实可以做到这一点，请参阅“ 力求简单：全卷积网络”。合并为您提供了一定程度的翻译不变性，这可能会或可能不会有所帮助。而且，池化比卷积要快。不过，您始终可以尝试用stride进行卷积替换池化，看看效果更好。

当前一些作品使用平均池化（Wide Residual Networks，DenseNets），另一些作品使用跨步卷积（DelugeNets）

显然，最大池化会有所帮助，因为它可以提取图像的最清晰特征。因此，给定图像，最清晰的特征是图像的最佳低级表示。https://www.quora.com/What-is-the-benefit-of-using-average-pooling-rather-than-max-pooling

但是根据吴安德（Andrew Ng）在深度学习中的演讲，最大池工作得很好，但是没人知道为什么。Quote->“但是我不得不承认，我认为人们使用max pooling的主要原因是因为它在很多实验中都可以正常工作，...我不知道有人完全知道那是真的吗？根本原因。”