最大池化（max-pooling）即取局部接受域中的最大值點，其主要作用在於減小卷積神經網路（CNN）或其他神經網路的特徵圖（Feature Map）尺寸，進而減少計算量、降低模型複雜性並提高模型的魯棒性。通過選擇局部區域的最大值作為輸出值，最大池化能夠保留最顯著的特徵。在最大池化的過程中，需要記錄下最大值在每個小區域中的位置，因為在反向傳播時，只有該位置的值對下一層有貢獻，其餘位置的梯度為0。此外，最大池化還可以學習到圖像的邊緣和紋理結構，有助於提升模型的性能。最大池化的參數包括kernel_size（取最大值的視窗大小）、stride（步徑，決定視窗移動的跨度）、padding（在輸入特徵圖的邊緣填充0的層數）等，這些參數可以根據具體任務進行調整最佳化。