全球平均池化是论文Network in Network中提出的,全球平均池化在原文中的作用和优点:
针对3358www.Sina.com/输出的各通道特征图的所有像素计算平均值,进行全局平均池化后,得到思想:的特征向量,直接输入softmax层
可以接受任意尺寸的图像来代替维度==类别数全连接层
作用:1 )类别可以更好地与最后卷积层的特征图相关联(每个信道对应于一个类别,从而每个特征图可以被视为对应于该类别的类别可靠性图)
2 )减少参数量,全局平均池化层没有参数,可以防止该层中的过拟合
3 )集成全局空间信息,使输入图像对空间平移更鲁棒
优点:
图解:
pytorch中
虽然没有专用的全局平均池化API,但可以使用现有的轮询API实现此效果
首先,我们将简要了解全局平均池化操作。
如果存在特征图,其大小为pytorch的实现:,经过全局平均池化后,其大小为 [ B, C, H, W]。
也就是说,全球平均池化实际上是[B, C, 1, 1]
理解了这一观点后,全球平均池化将变得容易实现。
如果利用自适应平均池化,就可以迅速实现。 或者也可以是自适应最大池化。 一样的。
in [1] 3360 importtorchin [2] : a=torch.rand [ 4,3,4,4 ] (in [3] : a.size ) out[3]3360torch 4) in
-----------------
译文: https://blog.csdn.net/cvsvsvsvsvs/article/details/90495254