全局平均池化/全局最大池化Pytorch实现：

零、全局池化介绍

普通池化方法汇总详见：https://blog.csdn.net/qq_43665602/article/details/126625116
全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。
全局池化方式的优点：

• 大大降低计算的参数量；
• 没有需要学习的参数，可以更好的避免过拟合；
• 更能体现输入的全局信息；

拿一个简单的网络验证参数量下降（此处只计算权重）：
因为池化操作是沿着通道方向对该通道的特征进行，故对于输入(N,C,H,W)，池化输出为(N,C)。此处输入特征为(N,C,H,W)=(1,3,3,3)，故池化输出为(N,C)=(1,3)。

通过上面的简单介绍，想必对全局池化有了一个初步认识，接下来主要通过代码演示实际操作时如何进行。
Tensorflow对于普通池化和全局池化均有对应的实现方式，