gnap（global norm-aware pooling) block

GNAP（用于mobilefacenet++）

结构：

如果特征维度>512，Conv(1x1)+Batchnorm+Relu

然后Batchnorm+算法[1]+Global Avr Pooling

如果特征维度<512，Batchnorm+FC，否则Faltten

然后Batchnorm

batchnorm的作用是改变输入的分布，尽可能满足正太分布，避免进入激活函数的饱和区，一般在激活层前面。

GNAP优点

对于large pose face，landmark通常检测不够准确，这对于后续的人脸识别工作产生不好的影响，权重单元通常会有一个偏移量。

假设最后一个feature map为3x3，（1，1）这个点（假设是鼻子）是应该主要学习的特征点，该点的权重应该最大（为1），其他8个点则应该很小（为0），如果一些训练样本的landmark不够准确，鼻子的位置发生偏移，如偏移到（2,1）或者（1，2）等，在学习这些样本时，（2,1）或者（1，2）会得到一些权重，而不是理想中的0，而（1，1）该点的权重也不再是1，可能是0.9，这样特征学习的位置会发生偏移。

同时，由于fc层不能保持空间对称性（所有参数都是独立的，不像卷积层对于每个单元学习同样的特征），用fc层直接映射到全局特征，每个特征单元对应的权值也就是错误的（有偏移的）。GNAP块设计为在不丢失空间对称性的情况下，为不同空间位置的局部特征提供动态权重，在较低的fpr下，大大提高了基模型的姿态鲁棒性

计算方法

对于输入Fmxnxc，如F7x7x512，计算每个单元512个通道的平方和（L2范数）||Fi,j||，然后求7x7个范数的平均值||F||mean,reweight之后的feature map为||F||mean/||Fi,j||*Fi,j,c