1.ResNet直接使用stride=2的卷积做下采样,并且用global average pool层替换了全连接层。
GAP的真正意义是:对整个网路在结构上做正则化防止过拟合。但是值得我们注意的是,使用gap可能会造成收敛速度减慢。用一个GAP将N个feature map降维成1*N大小的feature map,再用class个1*1卷积核将1*N的feature map卷成1*class的向量。
①摘取重点于:为什么使用全局平均池化。
在卷积神经网络的初期,卷积层通过池化层(一般是MaxPooling)后总是要一个或n个全连接层,全连接网络可以使feature map的维度减少,进而输入到softmax分类。其特征就是全连接层的参数超多,模型本身非常臃肿,又会造成过拟合。(现在已经很少大量使用fc层),用pooling来代替全连接。就解决了之前的问题:要不要在fc层使用dropout。使用AVP就不要了。
(作者自己思考的部分,不知对错)全局平均池化层代替全连接层虽然有好处,但是不利于迁移学习。因为参数较为“固化”在卷积的诸层网络中。增加新的分类,那就意味着相当数量的卷积特征要做调整。而全连接层模型则可以更好的迁移学习,因为它的参数很大一部分调整在全连接层,迁移的时候卷积层可能也会调整,但是相对来讲要小的多了。