全局池化（Global Pooling）

普通池化操作看这里：最大池化（Max Pooling）和平均池化（Average Pooling）

全局池化（Global Pooling） 是一种特殊的池化方法，主要包括：

• 全局平均池化（Global Average Pooling, GAP）
• 全局最大池化（Global Max Pooling, GMP）

在经过全局池化后，特征图形状会从[b,c,h,w]变为[b,c,1,1]

1. 全局平均池化（Global Average Pooling, GAP）

与普通的池化操作不同，GAP不再使用局部窗口，而是直接对整个特征图的空间维度进行池化，使每个通道输出一个值。 这种操作可以将特征图从三维（height x width x channels）转化为一维向量（1 x 1 x channels），便于后续的全连接层进行分类或其他任务。

计算方式

如果特征图的某个通道为 3x3，数值如下：

1  2  3
4  5  6
7  8  9

那么经过 GAP 操作后，这个通道的输出就是 (1+2+3+4+5+6+7+8+9) / 9 = 5。

2. 全局最大池化（Global Max Pooling, GMP）

全局最大池化会在每个通道中取最大值，作为该通道的特征。

同样，对于形状 [batch_size, channels, height, width] 的特征图，经过 GMP 后的输出形状为 [batch_size, channels, 1, 1] 或 [batch_size, channels]。

计算方式：

对于一个特征图通道的 3x3 窗口：

1  2  3
4  5  6
7  8  9

GMP 操作会输出 9，即这个窗口中的最大值。

3. 全局池化的作用和优势

• 减少参数：相比使用全连接层，全局池化能极大地减少参数数量，使模型更加轻量，减少过拟合风险。

• 位置不变性：全局池化关注整个通道的整体特征，而不局限于特定位置，有利于提取全局特征。

• 避免过拟合：由于没有全连接层带来的大量参数，全局池化特别适合处理小数据集，提高模型泛化能力。

• 减少计算量：特别适合在移动设备上进行轻量级模型的部署。

4. 全局池化在 CNN 中的应用

在 CNN 中，全局池化常被用于分类任务的最后一层。在提取完空间特征之后，利用全局池化生成每个通道的全局特征，再接一个全连接层或直接用于分类。