是可以没有pooling的，pooling主要作用就是降维，同时mean pooling可以提取背景信息，max pooling可以提取纹理。

这些功能使用卷积也可以完成，只要设置好卷积核和步长。

谷歌的轻量级卷积MobileNet没有使用pooling。

pooling用于down sample, 多用于分类的任务，因为输出是一张图的label，不含有空间信息。还可以用于Unet这类在空间有压缩的结构（空间上的coder-encoder）。

对于denoising，super-resolution这类回归任务，输出含空间信息，一般不用pooling。即使用了pooling，还会用upsample，恢复以前图像大小，比如Unet。

著名的alpha go其实就没有使用pooling，只用了convolution。是否要使用pooling层，其实只要看subsampling之后是否会改变原本事物本身。比如，如果是图像处理，subsampling pixels其实并不会影响我们判断物体是什么，有可能只是图像变模糊了，但是我们还是可以判断出这个物体。但是在围棋里面，subsampling棋盘就会影响我们的判断，所以不适合使用pooling。

拓展说一下什么时候适合用cnn，其实就是要看使用的场景是否具有图片的那些特性。

1. 某些pattern和整个图像相比要小很多。

2. 同样的pattern会出现在不同的区域。

3. subsampling并不会改变对物体本身的判断。

特性1和2对应的convolution， 特性3对应的pooling。

如果在做CNN图像分类问题的时候，pooling会丢失部分的无用价值的信息的，能减少你的计算量的。

pooling是用来做downsampling的，如果不做downsampling，每个卷积层的模型权值的个数会几何增长，最后你算力就不够了