x=TF.keras.layers.max pool 1d (pool _ size=1，padding='same '，input_shape=(none，10，32 ) ) (x ) )
Kernel_size(intortuple ) -最大轮询窗口大小
stride(intortuple，optional ) -最大轮询窗口移动的步骤。 默认值为kernel_size
填充(int or tuple，optional ) -填充输入的每条边为0的级数
dilation(intortuple，optional ) -控制窗口中元素步幅的参数
如果等于return_indices-true，则返回输出最大值的序列号，有助于上采样操作
如果等于cil_mode-true，则在计算输出信号的大小时，将使用上取而不是缺省的下取操作
池层：一方面压缩输入的特征图，另一方面减小特征图，简化网络计算的复杂性； 另一方面，进行特征压缩，提取主要特征，如下。
同样采用2*2的滤波器，最大轮询在每个区域寻找最大值，这里假设stride=2，最终从原始特征图中提取主要特征，得到右图。
) Avy pooling目前很少使用(实际上是平均池化层)，但2*2的各区域的要素合计除以4可以得到主要特征)，一般的filter为2*2，最多为3*3，stride为2
注意：这里的轮询操作是特征图的缩小，可能影响网络精度，可以通过增加特征图的深度来弥补(这里的深度是原来的两倍)。
由于图像中的相邻像素趋于具有相似的值，因此通常卷积层中的相邻输出像素也具有相似的值。 这意味着卷积层的输出中包含的大部分信息是冗馀的。
如果使用边缘检测滤波器在某个位置找到强边缘，也可以在距离此像素1个偏移的位置找到相对强的边缘。 但它们都是同一边的，我们什么都没找到新的。
池化层解决了这个问题。 该网络层表示通过减小输入的大小来减少输出值的数量。