作用：池化操作用于减少卷积神经网络中特征的数据量。

方法：

　　主要包含最大池化和均值池化。

　　1）最大池化

　　　　可以提取图片纹理

　　2）均值池化

　　　　保留背景特征

 TF2描述：

　　1）最大池化

　　tf.keras.layers.MaxPool2D(

　　　　pool_size = 池化核尺寸，# 写一个元组（核高，核宽）高宽一致时可写成整数

　　　　strides = 池化步长， # 写一个元组（核高，核宽）高宽一致时可写成整数，默认值为pool_size

　　　　padding = ‘valid’ or ‘same’ # 使用全零填充是same，不适用是valid（默认）

　　)

　　2)均值池化　

　　tf.keras.layers.AveragePooling2D(

　　　　pool_size = 池化核尺寸，# 写一个元组（核高，核宽）高宽一致时可写成整数

　　　　strides = 池化步长， # 写一个元组（核高，核宽）高宽一致时可写成整数，默认值为pool_size

　　　　padding = ‘valid’ or ‘same’ # 使用全零填充是same，不适用是valid（默认）

　　)

实例：

1 model = tf.keras.models.Sequential(
2     Conv2D(filter=6, kernel_size=(5, 5), padding='same'),  # 卷积层
3     BatchNormalization(),  # BN层
4     Activation('relu'),  # 激活函数
5     MaxPool2D(pool_size=(2, 2), strides=2, padding='same'),  # 池化层
6     Dropout(0.2)  # dropout层
7 )