首先说为什么要有池化层。池化层的主要作用是缓解卷积层对位置的敏感性。意思是：卷积层是用卷积核对某一个小范围内(如3*3)的像素进行计算，如果相机拍摄导致某一个或某几个像素发生了偏移，此时，卷积层对这种信息是敏感的。而最大池化和平均池化可以缓解这种卷积层对位置的敏感性。
注意：多输入通道多输出通道的池化层，其输入通道数与输出通道数相等，池化操作在每个通道上分别运作。
pytorch中的池化层
pytorch中的最大池化层代码为nn.MaxPool2d()，它的第一个参数为窗口大小，如nn.MaxPool2d(3)表示3*3的池化窗口，nn.MaxPool2d((2,3))表示2*3的池化窗口。还可以将padding以及stride作为它的参数。下面举一个例子，我们首先创建一个4D张量X：
import torch from torch import nn X = torch.arange(16,dtype=torch.float32).reshape(1,1,4,4) print(X)
X:
我们将窗口尺寸为2，步长为2的池化作用在X上，看一看输出结果：
net = nn.MaxPool2d(2,stride=2) print(net(X))
输出：
我们加一圈padding，再将尺寸为3，步长为3的池化作用在X上，看一看输出结果：
net = nn.MaxPool2d((3,3),padding=1,stride=3)
net(X)
输出：
