全局平均池化

---

一、作用和优点

首次提出全局平均池化概念的论文是：Network In Network, 作用和优点都讲的很清楚。
在这里插入图片描述：

1. 作用：
   如果要预测K个类别，在卷积特征抽取部分的最后一层卷积层，就会生成K个特征图，然后通过全局平均池化就可以得到 K个1×1的特征图，将这些1×1的特征图输入到softmax layer之后，每一个输出结果代表着这K个类别的概率（或置信度 confidence），起到取代全连接层的效果。
2. 优点：
   - 和全连接层相比，使用全局平均池化技术，对于建立特征图和类别之间的关系，是一种更朴素的卷积结构选择。
   - 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。

---

二、Tensorflow实现

有两种方法：

一方法，这里用的tf.nn。可以用tf.layers代替。

 p05 = tf.nn.avg_pool2d(conv10,ksize=[1,conv10.get_shape().as_list()[1],conv10.get_shape().as_list()[1],1],strides=[1,1,1,1],padding=VALID',name='GAP')

二方法

 p05 = tf.reduce_mean(conv10, [1, 2], keep_dims=True, name='GAP')

我更喜欢第一种，在量化模型时候，第二种可能会报错。不去深究原因，只能说tf某些东西做的还不成熟，比如pruning模块里面。

---

参考文献

[1]tensorflow 实现全局平均池化
[2]pytorch 学习 | 全局平均池化 global average pooling 实现 和作用优点解析
[3]全局平均池化（Global Average Pooling）
[4]Network In Network