理工酷

理论上说，最大池化可以减少过拟合。 当数据集不足以容纳特征数量时，可能会发生过度拟合。最大池化使用最大操作来池化要素集特征集，从而减少特征量。

但实际应用中使用Max-pooling来减少过度拟合的效果很小。 因为在卷积运算之后要应用Max-Pooling，这意味着这些特征是已经在这一层中进行了训练，并且由于使用了最大池化来减少输出的高和宽，使得下一层中的特征具有较少的卷积运算可供学习，这对过拟合问题的影响很小，很难真正地解决过拟合问题。

减小过拟合的办法 （1）减少参数的数量。 当参数量非常大时，很难找到足够的数据来训练含有大量参数的模型而又不会过度拟合。 （2）使用正则化技术，例如L2-regularization或Drop-out。 Drop-out通过保证特征不是一直可用来减少对单个特征的依赖，从而迫使模型寻找潜在的不同的点，而不是只使用一个，因为这很容易使模型过度适合特征明显的点。因此，dropout也可以减少过拟合。