网上看到一个池化的解释是：
为了描述大的图像，可以对不同位置的特征进行聚合统计，如计算平均值或者是最大值，即mean-pooling和max-pooling
我的想法是，图像做卷积以后，将图像信息（特征）变强了，这时候允许减小图像的尺寸（因为卷积增强了信息，现在又牺牲
一点信息，达到数据尺寸减小但信息不一定减少），这就是类似于先做加法（卷积），再做减法（池化，典型下采样），一加一减，
加的时候图像尺寸没加，信习量加了，减的时候图像尺寸和信息量减，总体是吧，总体可能就可以用了。
池化，就是把某一区域当作一个水池，然后，挑出这个水池中的代表性特征，平均值或者是最大值，即mean-pooling和max-pooling。
一个平面到下一个平面的映射可以看作是作卷积运算，S-层可看作是模糊滤波器，起到二次特征提取的作用。
隐层与隐层之间空间分辨率递减，而每层所含的平面数递增，这样可用于检测更多的特征信息。
分辨率减，平面数加==图像像素独立性减，像素联合性特征加，类似于由独立像素转换为相关特征的过程！！！
个人理解神经网络就是在一副图像中提取很多个不同的特征，再根据特征的组合识别图像中的物体！！！
好吧，我是写给自己看的
