• 通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。
• 而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷积图层的所有优势保留在中间层。
• 此外，当检测较底层的特征时（例如 6.2节中所讨论的边缘），我们通常希望这些特征保持某种程度上的平移不变性。
• 本节将介绍汇聚（pooling）层，它具有双重目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。

1. 最大汇聚层和平均汇聚层

• 汇聚层不包含参数，池运算时确定性的
• 我们通常计算汇聚窗口中所有元素的最大值或平均值
• 下面是一个最大池化的例子
  
• 汇聚窗口形状给 $p\times q$ 的汇聚层被称为 $p\times q$ 汇聚层，汇聚操作被称为 $p\times q$ 汇聚
• 对于汇聚操作来说，在模式识别时，就算识别目标进行了平移也能被识别到
• 下面是最大或平均汇聚的一个例子
  

2. 填充与步幅

• 与卷积层一样，汇聚层也可以改变输出形状。即可以通过填充和步幅来获得所需的输出形状
  

• 默认情况下，步幅和汇聚窗口的大小相同。因此，如果我们使用形状为(3, 3)的汇聚窗口，那么默认情况下，我们得到的步幅形状为(3, 3)
  

• 也可以手动设定
  

• 可以设定任意大小的窗口
  

3. 多个通道

• 在处理多个通道的输入数据时，汇聚层在每个输入通道上单独计算，最后不会像卷积层一样对输入进行汇总
• 这就意味着输出通道数和输出通道数相同