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