大家好，又见面了，我是你们的朋友全栈君。
为什么使用全局平均池化层？
1、全连接层：
、全连接网络可以使feature map的维度减少，进而输入到softmax
、全连接层的参数超多
、会造成过拟合
、模型本身变得非常臃肿
2、全局平均池化层(global average poolilng)[GAP]：
、直接实现了降维
、极大地减少了网络的参数
、对整个网路在结构上做正则化防止过拟合，直接赋予了每个channel实际的内别意义
、gap可能会造成收敛速度减慢
3、为什么会收敛速度变慢?以及对模型训练有什么差异？
、全连接层结构的模型对于训练学习的过程，压力更多在全连接层，卷积的特征学习低级一些，但是在不断学习调整参数中，一样效果不差。
、GAP 在学习训练的压力前导于卷积层，卷积的特征学习会高级一些，但也会淡化不同特征间的相对位置的组合关系，丢失了图像的位置信息，因此卷积训练出来的特征应该更加‘高级’。
、以上推到出一个结论：不利于迁移学习，那就调正卷积出来的特征。
、
提供建议：
全局平均池化层+softmax层代替FC层，效果要好。
全局平均池化层以后也可以试一试dropout，进行正则化。无论采用何种方法，毕竟全局池化是比较火的用法，采用正则至少不用被过拟合的象限困扰。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/128401.html原文链接：https://javaforall.net
![ENVI5.3安装教程（含软件下载）[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
