参考 https://zhuanlan.zhihu.com/p/37683646

2.与Global Max Pooling

都是压缩信息。只不过方式不同，SEnet实验证明，average稍微好一点

参考：https://www.zhihu.com/question/358913301/answer/922183264

3.与 Average Pooling

输入（H, W, C）

GAP输出：(1, 1, C):相当于信息压缩，关注全局特征

AP(after_pooling_size, after_pooling_size, C):信息提取，保留纹理信息，关注局部特征。

在数学关系上可以把GAP理解成AP的一种特例

4.torch 实现：

1.Global Average PoolingGlobal Average Pooling（GAP）出自 Network in networkGAP 输入(H, W, C)-->（1, 1, C）直接在HW上pooling，将信息压缩到一个点。优点：和FC相比无训练参数，所以可以防止过拟合参考https://zhuanlan.zhihu.com/p/376836... 在一些论文中，我们可能会看到全局平均池化操作，但是我们从pytorch官方文档中却找不到这个API，那我们应该怎么办？ 利用现有的 pool ing API实现全局平均池化的效果。 首先我们简单理解全局平均池化操作。 如果有一批特征图，其尺寸为 [ B, C, H, W], 我们经过全局平均池化之后，尺寸变为[B, C, 1, 1]。 也就是说，全局平均池化其实就是对每... 假如特征图是512，7，7，要变成512，1，1，使用GAP avg pool = nn.Avg Pool 2d(7, stride=1) #Avg Pool 2d(kernel_size=7, stride=1, padd ing =0)，kernel大小为7*7 avg pool = F.adaptive_avg_ pool 2d( feature _map, (1,1)) class ConvNet(nn.Module): def __init__(self, num_classes=10): super(ConvNet, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padd ing =1) self.bn1 = nn.BatchNorm2d(64) self.relu1 = nn.ReLU(inplace=True) self.conv2 = nn.Conv2d(64, 64, kernel_size=3, padd ing =1) self.bn2 = nn.BatchNorm2d(64) self.relu2 = nn.ReLU(inplace=True) self. pool 1 = nn. Max Pool 2d(kernel_size=2, stride=2) self.conv3 = nn.Conv2d(64, 128, kernel_size=3, padd ing =1) self.bn3 = nn.BatchNorm2d(128) self.relu3 = nn.ReLU(inplace=True) self.conv4 = nn.Conv2d(128, 128, kernel_size=3, padd ing =1) self.bn4 = nn.BatchNorm2d(128) self.relu4 = nn.ReLU(inplace=True) self. pool 2 = nn. Max Pool 2d(kernel_size=2, stride=2) self.conv5 = nn.Conv2d(128, 256, kernel_size=3, padd ing =1) self.bn5 = nn.BatchNorm2d(256) self.relu5 = nn.ReLU(inplace=True) self.conv6 = nn.Conv2d(256, 256, kernel_size=3, padd ing =1) self.bn6 = nn.BatchNorm2d(256) self.relu6 = nn.ReLU(inplace=True) self. pool 3 = nn. Max Pool 2d(kernel_size=2, stride=2) self.avg pool = nn.AdaptiveAvg Pool 2d((1, 1)) self. fc = nn.Linear(256, num_classes) def forward(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu1(x) x = self.conv2(x) x = self.bn2(x) x = self.relu2(x) x = self. pool 1(x) x = self.conv3(x) x = self.bn3(x) x = self.relu3(x) x = self.conv4(x) x = self.bn4(x) x = self.relu4(x) x = self. pool 2(x) x = self.conv5(x) x = self.bn5(x) x = self.relu5(x) x = self.conv6(x) x = self.bn6(x) x = self.relu6(x) x = self. pool 3(x) x = self.avg pool (x) x = x.view(x.size(0), -1) x = self. fc (x) return x 该网络实现了6个卷积层，每个卷积层后跟一个 Batch Normalization 和一个 ReLU 层，经过两个卷积层后，特征的空间分辨率降低两倍，特征的 channel 数量提升两倍。在最后的输出层，使用 Global Average Pool ing 操作，把特征层转换为一个特征向量，然后使用全连接神经网络完成最终的预测。 Error when checking input: expected input_1 to have 3 dimensions, but got array with shape (37, 30） 22587 论文阅读DRIVEVLM: The Convergence of Autonomous Driving and Large Vision-Language Models CSDN-Ada助手: 你好，CSDN 开始提供 #论文阅读# 的列表服务了。请看：https://blog.csdn.net/nav/advanced-technology/paper-reading?utm_source=csdn_ai_ada_blog_reply 。如果你有更多需求，请来这里 https://gitcode.net/csdn/csdn-tags/-/issues/34?utm_source=csdn_ai_ada_blog_reply 给我们提。 docker/ nvidia-docker CSDN-Ada助手: 运维的工作内容是什么？有哪几种分类？