位置: IT常识 - 正文
全局平均池化（Global Average Pooling）(全局平均池化(GAP)层)
编辑：rootadmin推荐整理分享全局平均池化（Global Average Pooling）(全局平均池化(GAP)层)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:全局平均池化和平均池化区别,全局平均池化代替全连接层,全局平均池化层的作用,全局平均池化层,全局平均池化层,全局平均池化和平均池化区别,全局平均池化层,全局平均池化,内容如对您有帮助，希望把文章链接给更多的朋友！
最近看论文，看到了全局平均池化，之间见过这东西，但是没有仔细了解，今天学习一下，并记录下来，方便以后查阅。
全局平均池化（Global Average Pooling）概念概述torch实现参考资料概念概述出处：Lin M, Chen Q, Yan S. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013.
定义：将特征图所有像素值相加求平局，得到一个数值，即用该数值表示对应特征图。
目的：替代全连接层
效果：减少参数数量，减少计算量，减少过拟合
思路：如下图所示。假设最终分成10类，则最后卷积层应该包含10个滤波器（即输出10个特征图），然后按照全局池化平均定义，分别对每个特征图，累加所有像素值并求平均，最后得到10个数值，将这10个数值输入到softmax层中，得到10个概率值，即这张图片属于每个类别的概率值。
在原文这样描述全局平均值池化：
作用：如果要预测K个类别，在卷积特征抽取部分的最后一层卷积层，就会生成K个特征图，然后通过全局平均池化就可以得到 K个1×1的特征图，将这些1×1的特征图输入到softmax layer之后，每一个输出结果代表着这K个类别的概率（或置信度 confidence），起到取代全连接层的效果。 优点：
和全连接层相比，使用全局平均池化技术，对于建立特征图和类别之间的关系，是一种更朴素的卷积结构选择。全局平均池化层不需要参数，避免在该层产生过拟合。全局平均池化对空间信息进行求和，对输入的空间变化的鲁棒性更强。torch实现import torcha = torch.rand([4,3,4,4])a.size()输出：
torch.Size([4, 3, 4, 4])b = torch.nn.functional.adaptive_avg_pool2d(a, (1,1)) # 自适应池化，指定池化输出尺寸为 1 * 1b.size()输出：
torch.Size([4, 3, 1, 1])参考资料Global Average Pooling Layers for Object Localization
Comparison of the fully connected layer and global average pooling layer.
全局平均池化（Global Average Pooling）
pytorch 学习 | 全局平均池化 global average pooling 实现 和作用优点解析
上一篇：勒索软件、网络钓鱼、零信任和网络安全的新常态(勒索软件,网络不稳定)
