全局池化层

### 全局池化层

全局池化层（Global Pooling Layer）是一种池化操作，通常用于卷积神经网络（CNN）中，特别是在图像分类任务中。它的作用是将特征图的空间维度缩小到一个单一的值，即从每个特征图生成一个单一的数值。

#### 常见类型

1. **全局平均池化（Global Average Pooling, GAP）**：
    - 对输入特征图的每个通道分别进行平均操作，计算每个通道上的所有值的平均值。
    - 结果是一个大小为`(batch_size, channels)`的张量，其中`channels`是特征图的通道数。
    - 可以减少模型参数数量，避免过拟合，同时保留全局信息。

2. **全局最大池化（Global Max Pooling, GMP）**：
    - 对输入特征图的每个通道分别进行最大值操作，找到每个通道上的最大值。
    - 结果也是一个大小为`(batch_size, channels)`的张量。
    - 可以捕捉特征图中最显著的特征。

#### 使用场景

1. **分类任务**：
    - 在图像分类任务中，全局池化层经常用作卷积层后的最后一层。它将特征图缩小到一维向量，然后连接到全连接层进行分类。
  
2. **减少参数**：
    - 全局池化层可以显著减少模型参数数量，因为它省略了全连接层需要的大量权重。

#### 举例

在Keras中，使用全局平均池化和全局最大池化层的方法如下：

```python
from tensorflow.keras.layers import GlobalAveragePooling2D, GlobalMaxPooling2D

# 假设输入张量的形状为 (batch_size, height, width, channels)
# 使用全局平均池化
x = GlobalAveragePooling2D()(input_tensor)

# 使用全局最大池化
y = GlobalMaxPooling2D()(input_tensor)
```

#### 具体例子

假设输入张量的形状是（channels, height, width）：

- 输入张量是（3，4，4），即3个通道，每个通道的大小为4×4。
- 对于每个通道，4×4的所有值会被平均到一个值。
- 输出张量的形状是（3，1，1）。

##### 输入张量：

```
[[[1, 2, 3, 4],
  [5, 6, 7, 8],
  [9, 10, 11, 12],
  [13, 14, 15, 16]],

 [[17, 18, 19, 20],
  [21, 22, 23, 24],
  [25, 26, 27, 28],
  [29, 30, 31, 32]],

 [[33, 34, 35, 36],
  [37, 38, 39, 40],
  [41, 42, 43, 44],
  [45, 46, 47, 48]]]
```

##### 全局平均池化后的结果：

```
[[[8.5]],

 [[24.5]],

 [[40.5]]]
```

每个通道的平均值分别是：
- 第一通道：(1+2+3+4+5+6+7+8+9+10+11+12+13+14+15+16)/16 = 8.5
- 第二通道：(17+18+19+20+21+22+23+24+25+26+27+28+29+30+31+32)/16 = 24.5
- 第三通道：(33+34+35+36+37+38+39+40+41+42+43+44+45+46+47+48)/16 = 40.5