对于卷积神经网络而言，卷积和池化是其的两大核心操作，上一篇讲了池化，用于特征提取，这篇来继续介绍一下池化操作
池化（Pooling）：池化是卷积神经网络中的一种下采样操作。它通过定义一个空间邻域（通常为矩形区域），并对该邻域内的特征进行统计处理（如取最大值、平均值等），从而生成新的特征图。池化操作通常紧随卷积层之后。
【作用】
（1）特征降维：池化操作通过减少特征图的尺寸，降低了后续卷积层的计算量和参数数量，++从而提高了计算效率。++
（2）特征提取：通过池化操作，CNN能够进一步提取输入数据的特征，使模型能够学习到更加抽象和高级的特征表示。
（3）防止过拟合：池化操作通过减少特征图的维度和参数数量，降低了模型的复杂度，从而在一定程度上防止了过拟合现象的发生。
最常见的就是最大池化和平均池化两种
