Golbal Average Pooling+tf.layers.dense()+tf.contrib.layers.flatten()

global average pooling：把特征图全局平均一下输出一个值，也就是把W*H*D的一个张量变成1*1*D的张量。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，可以实现任意图像大小的输入，但是值得我们注意的是，使用GAP可能会造成收敛速度减慢。
例如：最后的一层的数据是20个6*6*3的特征图，global average pooling是将每一张特征图计算所有像素点的均值，输出一个数据值，这样20 个特征图就会输出20个数据点，变成(20，1*1*3)

如图所示，更加明了

tf.contrib.layers.flatten(A)：函数使A保留第一个维度，把第一个维度包含的每一子张量展开成一个行向量，返回张量是一个二维的，返回的shape为（第一维度，子张量乘积）
一般用于卷积神经网络全连接层前的预处理，因为全连接层需要将输入数据变为一个向量，向量大小为[batch size, ？]
例如：A是全连接层的输入，则需要将其转换为一个向量。假设A是一个20*1*1*3*的矩阵，则通过转换后，得到一个[20,3]的矩阵，这里20为卷积神经网络的batch size，3则是1*1*3的乘积

tf.layers.dense(): 改变最后一个维度的数值，如果是10分类，即把[20,108]变为[20,10]
例如：

dense(
    inputs,
    units,
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    trainable=True,
    name=None,
    reuse=None
)
#inputs：输入该网络层的数据
#units：输出的维度大小，改变inputs的最后一维
#activation：激活函数，即神经网络的非线性变化
#use_bias：使用bias为True（默认使用），不用bias改成False即可，是否使用偏置项