看完昨天的內容後，我們緊接著來看池化，池化可以看抓取器是否抓到了特徵，之前的例子裡使用的MaxPool最大池化層，在移動方式上與昨天卷積使用了相同的策略－滑動窗格，不同的是他直接挑出塊裡的最大值輸出，因此此層不需要訓練，另外還有平均池化層可以選擇。(2, 2)的pool_size

池化在這裡被用來降採樣使用，觀察之前的參數pool_size為2X2，而池化層也有strides參數，他被預設跟pool_size一樣，所以在模型summary裡，可以看到輸出的圖片邊長皆為一半，而大小是四分之一，這對我們減少權重數量很有幫助，圖片即使縮小我們還是能得到其中的資訊，提取特徵並減少計算量，是池化層的主要工作。

最後額外提到全局平均池化層一下，回頭看看之前的程式，在CNN最後面使用了Flatten層將所有抓取器的權重攤平，與10個二元分類器連接，在較大型的網路中，全連接層往往是在總權重數量占比很多的地方，全局平均池化層僅僅算出整張圖像素的平均，因此沒有權重，不用訓練，有幾個抓取器就輸出幾個值，先前的例子裡最後一層的權重數量為(5X5X64+1)X10=16010，換成全局平均池化層的使用數量為(1X64+1)X10=650。