为什么是卷积、池化的交替进行？

卷积做的是特征提取，池化做的是一种降采样。
早期学习的主要是：低级特征（边缘、角点、纹理、颜色）。这些特征分布相对局部且空间位置信息很重要。
卷积将这些特征学习出来，然后通过池化降采样，突出其位置信息。然后再卷积进行学习池化后的特征。

如果连续卷积不池化会怎样？

第一、不断地学习局部特征，不池化就无法学习到全局的信息。
第二、不断卷积，计算量会很大，时间和内存消耗会很高

以卷积替代池化效果如何？

可行，且比较常见，在深层网络运用较多
具体操作：nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=2, padding=1) 替代一个2x2 MaxPooling。

• 优点：
  卷积核有参数可学习
  卷积可以保持特征维度（增加通道数），而池化不改变通道数
• 缺点：
  最大池化具有一定的“平移不变性”，而卷积比较敏感，卷积对于定位是优势，对泛化是劣势
  卷积增加了参数和计算量
  最大池化会强化边缘特征，卷积比较弱

综合，总体来说效果持平或更优，建议早期层保留最大池化

为什么不分别做卷积池化，和池化卷积，通过结合做相互补充？

可行，后续一些网络有这种思想的体现。

池化和缩放的底层逻辑有何不同，能否替代池化?

缩放，不具备特征提取的能力，他平等的对待所有信息包括噪音。缩放后的特征图在空间上更敏感。
CNN的卷积层学习依赖于特征图的空间结构和局部相关性。粗暴缩放会扭曲这种结构，会导致信息模糊和细节丢失，影响后续层的学习。

在卷积池化中插入全连接层，会不会效果更好？

错误，效果会非常差。
第一，卷积层输出的特征图是具有明确空间维度，全连接层的操作完全