全局平均池化（Global Average Pooling，简称GAP）

全局平均池化（Global Average Pooling，简称GAP）是一种常用于卷积神经网络（CNN）中的池化方法，特别是在图像分类等任务中。它的作用是通过对每个特征图（feature map）进行平均操作来减少数据的维度。

具体来说，GAP的操作过程如下：

1. 输入：通常是一个经过卷积层处理的特征图，大小为 ( H × W × C )（其中 ( H ) 和 ( W ) 分别是特征图的高度和宽度，( C ) 是通道数）。

2. 操作：对每个通道的特征图进行平均池化，将每个 ( H × W ) 的区域（即整个特征图）进行平均，最终得到一个大小为 ( 1 ×1 × C ) 的输出。

3. 输出：经过GAP后，输出是一个具有 ( C ) 个元素的向量，每个元素对应一个通道的平均值。

GAP的优点：

• 减少参数数量：与传统的全连接层相比，GAP大大减少了网络的参数数量，因为它不需要学习每个特征的权重，而是简单地计算特征图的平均值。
• 避免过拟合：由于GAP减少了模型的复杂度，因此可以降低过拟合的风险。
• 提高计算效率：GAP消除了全连接层所需的复杂计算，减少了内存和计算资源的消耗。

应用：

在很多现代卷积神经网络中，特别是在一些经典的网络架构（如GoogLeNet、ResNet）中，GAP常常被用于替代全连接层，直接将卷积层输出的特征图转换为分类的概率分布。

参考文献：pytorch 学习 | 全局平均池化 global average pooling_全局平均池化pytorch-CSDN博客