在 AI 视觉模型里，一张四千万像素的照片送进网络，第一层卷积输出的特征图还是四千万个位置。如果每一层都保持这个尺寸，到第十层计算量会大到没法训练。池化就是插在卷积之间的那道缩小工序：它不学任何参数，只按固定规则把一小块区域压成一个数。这个动作看起来粗暴，却同时解决三个问题——算力、视野、容忍度，也同时带来一个代价——位置精度。这笔交换划不划算，取决于任务要的是「是什么」还是「在哪里」。
缩小的账：减半为什么等于省四分之三
卷积的计算量与特征图的宽、高都成正比。宽高各减一半，位置数变成原来的四分之一，后续每一层的乘加次数也随之降到四分之一。层数越多，这个复利效应越明显：连续三次减半，位置数只剩原来的六十四分之一。除了省算力，缩小还有一个隐性好处——同样的卷积核在缩小后的图上滑动，覆盖的原图范围变大，等于顺手扩大了感受野。所以池化不只是为了让模型跑得动，它也在帮网络更快看到更大的区域。
取最大和取平均在问不同的问题
两种池化的差别不在实现，而在它们回答的问题：
| 方式 | 输出 | 回答的问题 | 适合的场景 | 失效条件 |
|---|---|---|---|---|
| 最大池化 | 窗口内的最大值 | 这块区域里有没有出现这个特征 | 纹理、边缘、显著目标 | 特征弥散在整块区域时，只留最强点会丢信息 |
| 平均池化 | 窗口内的均值 | 这个特征在这块区域平均有多强 | 背景、整体亮度、平滑区域 | 小块里有一个强响应，会被平均稀释掉 |
| 全局平均池化 | 整张特征图一个数 | 这个通道整体上有多活跃 | 分类网络的收尾层 | 需要空间位置的任务里完全不可用 |
第三行近年用得很多：分类网络末尾用全局平均池化把每个通道压成一个数，直接接分类层，参数量比全连接小得多，也不容易过拟合。它的代价是把空间信息彻底抹平，所以只能出现在只要类别、不要位置的场合。
平移容忍是白送的吗
最大池化只保留窗口内的最大值，特征在窗口内挪动一两个像素，输出不变。这种小幅度的位置容忍，恰好符合图像识别的需要：同一只猫，姿势略有差异、位置稍有偏移，仍应被判为猫。容忍的幅度由窗口大小决定，2×2 的窗口容忍一个像素的位移，3×3 的窗口容忍更多。但容忍是有上限的，位移超过窗口就跳到另一个格子，输出会突变。这一点常被误解成「池化带来了平移不变性」，实际上它带来的只是局部容忍，真正的全局不变性要靠 数据增强 和足够深的堆叠去逼近。
它现在为什么没那么常见了
因为丢掉位置这件事，在越来越多的任务里成了缺点。语义分割要给每个像素分类，目标检测要回归精确的边框，这两类任务都需要知道特征在哪，池化把坐标抹平之后，网络只能靠上采样去猜。替代方案是用步长大于 1 的卷积做下采样：同样能把尺寸减半，但下采样的方式可学习，网络可以自己决定保留哪些位置的信息。另一条路是空洞卷积，在不缩小尺寸的前提下扩大感受野，把省算力和保位置拆开处理。近年不少视觉模型干脆去掉池化，改用 注意力机制 做全局建模。相关概念可以对照 卷积 里关于步长与感受野的部分一起看。
哪些任务里它是负担
需要像素级输出的任务首当其冲。分割网络如果在编码阶段用太多池化，解码阶段就要靠跳跃连接把浅层的高分辨率特征接回来，否则边界会糊成一片。小目标检测同样受影响：一个只占十几个像素的目标，经过两次 2×2 池化后可能只剩一个点，甚至被邻域背景淹没。密集预测类的任务，比如抠图、超分、深度估计，也都倾向于少用或不用池化。判断标准很简单：输出需要坐标，池化就要慎用；输出只需要标签，池化基本无害。
看到网络结构里的池化层该怎么读
先看它出现在什么位置。夹在卷积之间做尺寸递减，说明作者在控制计算量；出现在网络末尾做全局平均，说明这是分类头。再看窗口大小和步长，窗口等于步长时尺寸严格按比例缩小，窗口大于步长时会有重叠，保留更多信息但省得少。最后看它有没有被步长卷积替代，这一点往往能反映模型的年代和设计取向。对普通用户来说，这些细节不必深究，但有一个判断可以记住：模型在缩略图上仍然认得准，说明它的下采样没有把关键信息丢掉。
速查：池化的取舍
- 缩小一半，后续位置数和计算量降到四分之一
- 最大池化问「有没有」，平均池化问「平均多强」
- 换来三样：算力、感受野、小幅位置容忍
- 代价是空间精度，像素级任务里会变成负担
- 替代方案：步长卷积、空洞卷积、全局建模
