超级会员免费看
全局平均池化与全局最大池化是深度学习中两种池化操作，它们分别计算每个feature map的所有像素点的平均值和最大值。全局深度池化则在通道（C）方向进行，输出为Nx1xHxW。通过举例说明，当输入为10个6x6特征图时，全局平均池化会输出10个数据点，形成一个1*10的特征向量，适用于分类任务。
全局最大池化图示如下，它是取每个feature map的最大值。
全局均值池化跟全局最大池化的输入一般为NxCxHxW，输出为NxCx1x1但是实际上有时候我们还会有另外一个需求，就是全局深度池化，它的输出是Nx1xHxW。这个方式的池化通常会先把数据转换为NxH*WxC的方式，然后使用一维度最大/均值池化在C上完成，最后在转换为Nx1xHxW即可。。
下面举个例子，假如最后的一层的数据是10个6*6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。
即对于每一层的6x6=36个像素点，计算这36个像素点的均值（最大值），由于共有10层，所以共得到10个数据。
这样10 个特征图就会输出10个数据点，将这些数据点组成一个1*10的向量的话，就成为一个特征向量，就可以送入到softmax的分类中计算。
推荐博客：
轻松学Pytorch – 全局池化层详解
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
