轉載的文章鏈接：
為什么使用全局平均池化層？
關于 global average pooling
https://blog.csdn.net/qq_23304241/article/details/80292859

在卷積神經網絡的初期，卷積層通過池化層（一般是 最大池化）后總是要一個或n個全連接層，最后在softmax分類。其特征就是全連接層的參數超多，使模型本身變得非常臃腫。
之后，有大牛在NIN（Network in Network）論文中提到了使用全局平局池化層代替全連接層的思路，以下是摘錄的一部分資料：

global average poolilng。既然全連接網絡可以使feature map的維度減少，進而輸入到softmax，但是又會造成過擬合，是不是可以用pooling來代替全連接。
答案是肯定的，Network in Network工作使用GAP來取代了最后的全連接層，直接實現了降維，更重要的是極大地減少了網絡的參數(CNN網絡中占比最大的參數其實后面的全連接層)。Global average pooling的結構如下圖所示:

由此就可以比較直觀地說明了。這兩者合二為一的過程我們可以探索到GAP的真正意義是:對整個網路在結構上做正則化防止過擬合。其直接剔除了全連接層中黑箱的特征，直接賦予了每個channel實際的內別意義。
實踐證明其效果還是比較可觀的，同時GAP可以實現任意圖像大小的輸入。但是值得我們注意的是，使用gap可能會造成收斂速度減慢。
但是，全局平均池化層比較全連接層，為什么會收斂速度變慢，它們對模型的訓練有什么差異呢？我沒有找到相關的文章的介紹。以下是發揮我自己的想象（很有可能是錯誤的）來理解的幾個點：
1.全連接層結構的模型，對于訓練學習的過程，可能壓力更多的在全連接層。就是說，卷積的特征學習的低級一些，沒有關系，全連接不斷學習調整參數，一樣能很好的分類。
此處是完全猜測，沒有道理。
2.全局平均池化層代替全連接層的模型，學習訓練的壓力全部前導到卷積層。卷積的特征學習相較來說要更為"高級"一些。（因此收斂速度變慢?）
為什么這么想呢？我的理解是，全局平均池化較全連接層，應該會淡化不同特征間的相對位置的組合關系（“全局”的概念即如此）。因此，卷積訓練出來的特征應該更加“高級”。
3. 以上的兩個觀點聯合起來，可以推導出，全局平均池化層代替全連接層雖然有好處，但是不利于遷移學習。因為參數較為“固化”在卷積的諸層網絡中。增加新的分類，那就意味著相當數量的卷積特征要做調整。而全連接層模型則可以更好的遷移學習，因為它的參數很大一部分調整在全連接層，遷移的時候卷積層可能也會調整，但是相對來講要小的多了。
這3點完全是我個人的理解，希望有大牛留言批評指正。

global average pooling 與 average pooling 的差別就在 “global” 這一個字眼上。global與 local 在字面上都是用來形容 pooling 窗口區域的。 local 是取 feature map 的一個子區域求平均值，然后滑動這個子區域； global 顯然就是對整個 feature map 求平均值了。
因此，global average pooling 的最后輸出結果仍然是 10 個 feature map，而不是一個，只不過每個feature map 只剩下一個像素罷了。這個像素就是求得的平均值。 官方 prototxt 文件 里寫了。網絡進行到最后一個average pooling 層的時候，feature map 就剩下了 10 個，每個大小是 8 * 8。順其自然地作者就把pooling 窗口設成了 8 個像素，意會為 global average pooling ?？梢?#xff0c;global averagepooling 就是窗口放大到整個 feature map 的 average pooling 。

每個講到全局池化的都會說GAP就是把avg pooling的窗口大小設置成feature map的大小，這雖然是正確的，但這并不是GAP內涵的全部。GAP的意義是對整個網絡從結構上做正則化防止過擬合。既要參數少避免全連接帶來的過擬合風險，又要能達到全連接一樣的轉換功能，怎么做呢？直接從feature map的通道上下手，如果我們最終有1000類，那么最后一層卷積輸出的feature map就只有1000個channel，然后對這個feature map應用全局池化，輸出長度為1000的向量，這就相當于剔除了全連接層黑箱子操作的特征，直接賦予了每個channel實際的類別意義。

總結

以上是生活随笔為你收集整理的GAP(全局平均池化层)操作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。