global average pooling的特性以及1x1卷积

Pytorch中的全局平均池化
第一种函数 torch.nn.AvgPool2d(kernel, stride)

x = torch.randn(1, 256, 100, 100)
gap= torch.nn.AvgPool2d(kernel_size = 100) 或者 torch.nn.AvgPool2d(100)
x=gap(x) # x.size()=torch.Size([1, 256, 1, 1])
x = x.squeeze() #降维  torch.Size([1, 256, 1, 1]) ---> torch.Size([256])
print(x.size())  # torch.Size([256])

第二种函数 torch.nn.AdaptiveAvgPool2d((H,W))
功能：该函数与二维平均池化运算类似，区别主要体现在自适应上，
output_size：指定的输出大小，可以是元组(H,W)，或者是单个的数，如果是单个的数，则表示输出的高和宽尺寸一样，output_size大小可以大于输入的图片尺寸大小。

import torch
from torch import nn
img=torch.arange(24,dtype=torch.float).reshape(1,1,4,6)
pool_1=nn.AdaptiveAvgPool2d((2,3))
pool_2=nn.AdaptiveAvgPool2d(2)
img_1=pool_1(img)
img_2=pool_2(img)
print(img)
print(img_1)
print(img_2)

指定输出为1x1的时候，nn.AdaptiveAvgPool2d(1)相当于nn.AvgPool2d(1)

import torch
from torch import nn
img=torch.arange(48,dtype=torch.float).reshape(1,2,4,6)
pool=nn.AdaptiveAvgPool2d(1)
img_1=pool(img)
print(img_1)

1 X 1卷积的作用：
用$W\ast H\ast C_1$和$C_1\ast 1\ast 1\ast C_2$做卷积，得到的feature map大小不变，但是会在特征维度上进行交互和整合，当$C_2$小于$C_1$时，可以起到降维的作用。
用$1\ast 1$卷积先进行降维，再做$3\ast 3$卷积，可以减少参数的使用。
比如说 $W\ast H\ast 128$ 和 $128\ast 3\ast 3\ast 256$做卷积，使用的参数数目是 $128\ast 3\ast 3\ast 256$，而 $W\ast H\ast 128$和$128\ast 1\ast 1\ast 64$做卷积，再和$64\ast 3\ast 3\ast 256$做卷积，这里使用的卷积的数目是$128\ast 1\ast 1\ast 64+64\ast 3\ast 3\ast 256$，远远小于$128\ast 3\ast 3\ast 256$。

Global average pooling(GAP)刚刚提出的时候主要是为了替代全连接层，因为全连接层参数众多，而使用GAP抗过拟合性更好。

• 全连接层
  比如卷积最后一层是[36,10,10,64]，如果用全连接层，那么过程是先使用flatten操作，张量变成【36，6400】，假如有81个类，那么全连接层的参数就是【6400，81】，最终向量是【36，81】；
• Global Average Pooling优点
  全局平均池化层不需要参数，避免在该层产生过拟合
  全局平均池化对空间信息进行求和，对输入的空间变化的鲁棒性更强。

下面是tensorflow的global average pooling实现

x=tf.ones([36,10,10,64])
下面的操作就相当于global average pooling，
对每一张10*10 feature map做平均操作
tf.reduce_mean(x,axis=[1,2],keep_dims=True)
因为keep_dims=True,所以得到的向量变成36*1*1*64
为了得到全连接层，则使用tf.reduce_mean(x,axis=[1,2],keep_dims=False)
得到向量36*64
再接一个小的全连接层参数64*81，就可以得到最终全连接层36*81

举个例子
在squeeze excitation net (SE Net)中，构造基本模块就使用了1x1卷积，