Pooling layer稱為池化層，它的功能很單純，就是將輸入的圖片尺寸縮小以減少每張feature map維度並保留重要的特徵。針對Feature Map中的分割區域做Max值或者Mean值的操作。Pooling的動作可以萃取出較有價值的資訊量且可減少餐數量。但反之，透過Pooling也可說是會損失原有的資訊量。目前多數使用的都是MaxPooling

下列是透過池化層的好處

1. 減少後續layer需要參數，加快系統運作的效率。
2. 具有抗干擾的作用：圖像中某些像素在鄰近區域有微小偏移或差異時，對Pooling layer的輸出影響不大，結果仍是不變的。
3. 減少過度擬合over-fitting的情況

Full connected layer

Full connected layer指的就是一般的神經網路，前面提到的卷積和池化層，其最主要的目的分別是提取特徵及減少圖像參數，然後將特徵資訊丟到Full connected layer來進行分類，然而Full connected layer的每個神經元與上層神經元之間彼此相連接，各個連結都有其獨立且相異的權重值，這個現象造成Full connected layer會耗用相當多的運算資源。
結論
總括來說CNN的架構可被簡易成下圖步驟，當一個image input的時候，會進入Convolution以及Pooling階段，而這兩個階段可能為一直重複，最後才壓平並input到一個Fully Connected的network裡面。

參考
https://ithelp.ithome.com.tw/articles/10221727