对于keras中GlobalAveragePooling2D的理解

当使用Tensorflow做后端的时候，GlobalAveragePooling2D中的运算是K.mean(input, axis=[1, 2])。

对此，可以用np.mean(input, axis=(1, 2))来模拟这个过程。

首先，

x = np.array([[[0, 1, 2],
               [3, 4, 5]],
              [[0, 1, 2],
               [3, 4, 5]]])
print('x: ', x)
print('x.shape: ', x.shape)
new_xx = np.mean(x, axis=(0, 1))
print('new_x: ', new_xx)
print('new_x.shape: ', new_xx.shape)
new_x = np.mean(x, axis=0)
print('new_x_1: ', new_x)
print('new_x_1.shape: ', new_x.shape)
new_x = np.mean(new_x, axis=0)
print('new_x_2: ', new_x)
print('new_x_2.shape: ', new_x.shape)

输出：

x:  [[[0 1 2]
        [3 4 5]]

       [[0 1 2]
         [3 4 5]]]
x.shape:  (2, 2, 3)
new_xx:  [1.5 2.5 3.5]
new_xx.shape:  (3,)
new_x_1:  [[0. 1. 2.]
                    [3. 4. 5.]]
new_x_1.shape:  (2, 3)
new_x_2:  [1.5 2.5 3.5]
new_x_2.shape:  (3,)

可以看到，new_xx是经过处理完的结果，是和下面两部分开处理的是一样的。

       也就是说，首先是实现了两个小矩阵的取平均，由(2, 2, 3)→(2, 3)，然后对第一个轴取平均，由(2, 3)→(3,)。这个过程和keras里面的GlobalAveragePooling2D的过程是一样的，这么理解，GlobalAveragePooling2D确实将大量的参数运算简化了。