卷积操作中 pool层是比较重要的，是提取重要信息的操作，可以去掉不重要的信息，减少计算开销。
class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
如果padding不是0，会在输入的每一边添加相应数目0 比如padding=1，则在每一边分别补0.
参数：
kernel_size(int or tuple) - max pooling的窗口大小，
stride(int or tuple, optional) - max pooling的窗口移动的步长。默认值是kernel_size
padding(int or tuple, optional) - 输入的每一条边补充0的层数
dilation(int or tuple, optional) – 一个控制窗口中元素步幅的参数
return_indices - 如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助
ceil_mode - 如果等于True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作
a = torch.randn(3,5,10)
b = nn.Maxpool2d((5,1)) # kernel = 5 步长为1
c = b(a)
c.shape
torch.size([3,1,10])
pool操作并不改变张量的通道数
x = t.rand(1,3,7,7)
out = nn.MaxPool2d(kernel_size=2,stride=2)
out.forward(x).shape
torch.Size([1, 3, 3, 3])
启动kernel代表的是观察角度，如下图kernel就是2*2，stride和Conv操作中一样代表每次移动的步长。
下图操作，在每次观察区域内取最大值作为采样数据进行降维操作，这样做的优点是可以使显性特征更明显，降维操作并没有更改输出和输出的channel_num
pool操作还有
Avg_pool
对于Avg_pool来说，参数和Max_pool是完全相同的，主要区别就是在kernel中取的是平均值操作。
在分析resnet50网络 pytorch网络的时候
(maxpool): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
也就是kernel为3 stride 2 padding 1 dilation =1 ceil_mode = False
从下图中可以看出他的输入
输入的图片为 1920*1080 大小
经过第一层卷积为
所以输入pool层的数据为
经过pooling层后的数据为
但是都没改变数据的通道数
等于经过pool层后 图片的大小减半了 也就是2倍的下采样
