一个能降低卷积金字塔中特征图的空间维度，目前为止，我们通过调整步幅，将滤镜每次移动几个像素。图1
从而降低特征图的尺寸。这是降低图像采样率的一种非常有效的方法。
图1
它移除了很多信息，如果我们不采用每两个卷积跳过一个的方法，二依然执行非常小的步幅，比如说1.
但是我们通过某种方法把相邻的所有卷积结合在一起，这种操作就叫做池化
有几种方法可以实现它，最常见的是最大池化，图2
图2
在特征图的每一点，查看它周围很小范围的点，计算附近所有点的最大值。使用最大池化有很多优点，
首先他不会增加参数数量，所以不必担心导致过拟合。他会提高模型的准确度，然而是在非常小的步幅下进行卷积，
模型必须需要更多的计算量。而且你有更多的超参数需要调整，例如池区尺寸和池化步幅。他们不必完全一样。图3
图3
一种典型的神经网络结构是卷积层和最大池化层，相互交替，然后在末端连接几层全连接层。图4
图4
第一个使用这种结构的著名模型是Lenet-5.图5
图5
另一个值得注意的是平均池化，相比最大池化，他使用了特定位置周围的像素的平均值。图6
图6
它有点像提供了下层特征图的一个低分辩率的视图。
