CNN中 全局池化和全连接层的相对讨论

一般情况下，在全连接层之前，我们会把池化的feature map进行flatten，比如200个3x3，会拉成1800x1的列向量，而后如果设置了50个神经元，则系统会生成50个1x1800的矩阵跟你的feature map进行矩阵乘法运算

——>>> 50 x （1x1800x1800x1） ——>>> 变成一个50个元素的列向量

最后如果你要分成10类，则在最后的连接层设置10个神经元，即完成分类的全连接层设计等等

 

 

而全局池化（以平均池化为例），则完全抛弃全连接层，在无数个卷积以及池化层后，比如，最后我形成了200个3x3的feature map，但是我需要10个分类就行，则需要进行一次10个卷积核的卷积操作，形成10x3x3，然后进行全局平均池化。该过程会对每一个feature map进行求均值操作（也可以理解为一个与其等大的卷积核进行卷积），形成一个10个元素的列向量

 

 

这就是全连接层和全局池化的一点差异