“global pooling”就是pooling的 滑窗size 和整张feature map的size一样大。这样，每个 W×H×C 的feature map输入就会被转化为 1×1×C输出。因此，其实也等同于每个位置权重都为 1/(W×H)的FC层操作。也等同于输入一个tensor，输出一个vector。
“global pooling”在滑窗内的具体pooling方法可以是任意的，所以就会被细分为“global avg pooling”、“global max pooling”等。
由于传统的pooling太过粗暴，操作复杂，目前业界已经逐渐放弃了对pooling的使用。替代方案 如下：
1> 采用 Global Pooling 以简化计算；
2> 增大conv的 stride 以免去附加的pooling操作。
1、全局平均池化
全局平均池化（Global average Pooling）由 M. Lin, Q. Chen, and S. Yan. Network in network. Interna-tional Conference on Learning Representations, 2014.提出来。
所谓的全局就是针对常用的平均池化而言，平均池化会有它的filter size，比如 2 * 2，全局平均池化就没有size，它针对的是
整张feature map
。
解释一下上图：
最后的一层的数据是4个4*4的特征图，global average pooling是将每一张特征图计算所有像素点的均值，输出一个数据值，这样4 个特征图就会输出4个数据点，将这些数据点组成一个1*4的向量的话，就成为一个特征向量，就可以送入到softmax的分类中计算了。
这个过程中仅在计算平均数时涉及乘法，全连接层中的乘法运算就相对未使用全局平均池化减少了很多。
2、全局最大池化
与全局平均池化类似，把均值运算改为取最大值的运算即可。
“
global
pooling
”就是
pooling
的 滑窗size 和整张feature map的size一样大。这样，每个 W × H × C 的feature map输入就会被转化为 1 × 1 × C 1\times 1\times C1×1×C 输出。
参考：深度学习
:
global
pooling
(
全局池化
)
_JNingWei的博客-CSDN博客_
全局池化
基于深度学习的人脸识别系统，一共用到了5个开源库：OpenCV（计算机视觉库）、
Caffe
（深度学习库）、Dlib（机器学习库）、libfacedetection（人脸检测库）、cudnn（gpu加速库）。
用到了一个开源的深度学习模型：VGG model。
最终的效果是很赞的，识别一张人脸的速度是0.039秒，而且最重要的是：精度高啊！！！
CPU：intel i5-4590
reference：https
:
//blog.csdn.net/williamyi96/article/details/77530995
Golbal Average
Pooling
第一次出现在论文Network in Network中，后来又很多工作延续使用了GAP，实验证明：
Global
Average
Pooling
确实可以提高CNN效果。
Traditional
Pooling
Me...
参考：https
:
//blog.csdn.net/JNingWei/article/details/80064451（
全局池化
）
https
:
//blog.csdn.net/williamyi96/article/details/77530995（
Global
Average
Pooling
对全连接层的可替代性分析）
https
:
//blog.c...
https
:
//stats.stackexchange.com/questions/257321/what-is-
global
-max-
pooling
-layer-and-what-is-its-advantage-over-max
pooling
-layer
总的来说，
global
pool 相当于将kernel的尺寸设置为了和input size相同，因此，经过
Global
Pool，...
全局池化
层：
global
average
pooling
作用：替代全连接层，减少参数量，主要是用来解决全连接的问题，其主要是是将最后一层的特征图进行整张图的一个均值池化，形成一个特征点，将这些特征点组成最后的特征向量，进行softmax中进行计算。
