0. 高
首先回忆一下，CNN中用来加深网络深度的基本操作“Conv-relu-pool”。今天要讲的几种pool方法就是池化层的常用操作（具体来讲，其实是应用于NLP的CNN网络。不过对于图像应该也有所启发，过程不难，可以当小甜点食用）。在第二篇CNN的讲解中，当时的pool层是选用如下图的maxpool的方式，相对来说比较暴力，而且降维效果非常好。
1. 白
有学者认为，直接食用maxpool太过粗暴。如上图中，每一个2*2分块要丢失3个块的信息而只取其一。所以提出了一些其他的maxpool方法。
1.1 K-maxpool
看名字应该知道，就是取K个最大的值作为本区域的采样代表值，保留了更多的原信息。相应的是增加了采样的维度，后续的计算会更加复杂一点（需要增多层与层之间的参数。例如CNN的MNIST例子中，最后一层全连接层为20->10，而K-maxpool可能为40->10等等）。
1.2 Chunk-maxpool
Chunk-maxpool是基于K-maxpool的一种方法。它的做法是先将采样对象分块，然后取快中的max或者K-max。这种做法就保留了更多的采样信息，同时采样量和计算量也剧增。
2. 听话
具体使用哪种pool方法可能要依据具体的实验数据，参考一些论文或许会比较好。但是maxpool，K-maxpool，Chunk-maxpool这三种常见pool方法应该还是要有所了解的。图像领域不知道应用是否广泛，但在NLP领域这几种方法应用还是挺多的。小黑喵教程今天就到此为止了。