【GAP】Global average Pooling

最新推荐文章于 2025-03-27 19:25:13 发布
原创 最新推荐文章于 2025-03-27 19:25:13 发布 · 595 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

这个概念出自于 network in network 

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。

举个例子

假如，最后的一层的数据是10个6*6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10 个特征图就会输出10个数据点，将这些数据点组成一个1*10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

而传统的方法是最后一层卷积特征需要进行Flat, 然后使用fc连接，输出10个特征

上图是从PPT中截取的对比全连接与全局均值池化的差异

原文中介绍这样做主要是进行全连接的替换，减少参数的数量，这样计算的话，global average pooling层是没有数据参数的

这也与network in network 有关，其文章中提出了一种非线性的 类似卷积核的mlpconv的感知器的方法，计算图像的分块的值

可以得到空间的效果，这样就取代了pooling的作用，但是会引入一些参数，但是为了平衡，作者提出了使用global average pooling

下面是network in network 中的摘取

下图是是一个基于MLP的局部计算，最后使用global average pooling 的network in network 的结构图


 

图像语义分割常用GAP代码实现（global average pooling）
猫头军师兵书
01-15 1288
import tensorflow as tf import numpy as np x = np.arange(24).reshape(2,3,4) x = np.array(x).reshape(2,3,4,1) xx = tf.cast(x,tf.float32) global_average_mean = tf.reduce_mean(xx, ...
Global Average Pooling与FC与Average Pooling与 Global Max Pooling
yang_daxia的博客
02-25 877
1.Global Average Pooling Global Average Pooling（GAP）出自 Network in network GAP 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...
Global average Pooling
Losteng的博客
05-28 4万+
最近在看关于cifar10 的分类的识别的文章 在看all convolution network 中看到中用到一个global average pooling  下面就介绍一下global average pooling  这个概念出自于 network in network  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
全局平均池化（Global Average Pooling）
梁小憨憨的博客
02-08 3万+
最近看论文，看到了全局平均池化，之间见过这东西，但是没有仔细了解，今天学习一下，并记录下来，方便以后查阅。
Global average pooling
bbbeoy的专栏
08-27 641
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 Methods 要想真正的理解Global Average Pooling，首先要了解深度网络中常见的pooling方式，以及全连接层。 ...
Global Average Pooling
okmacong的博客
04-20 810
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。 举个例子 假如，最后的一层的数据是10个6*6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10 个特征图就会输出10个数据点，将这些数据点组成一个1*10的向量的话，就...
global average pooling的特性以及1x1卷积
Bismarckczy的博客
04-02 1172
1 X 1卷积的作用： 用W∗H∗C1W*H*C_1W∗H∗C1​和C1∗1∗1∗C2C_1*1*1*C_2C1​∗1∗1∗C2​做卷积，得到的feature map大小不变，但是会在特征维度上进行交互和整合，当C2C_2C2​小于C1C_1C1​时，可以起到降维的作用。 用1∗11*11∗1卷积先进行降维，再做3∗33*33∗3卷积，可以减少参数的使用。 比如说 W∗H∗128W*H*128W∗H∗128 和 128∗3∗3∗256128*3*3*256128∗3∗3∗256做卷积，使用的参数数目是 12
pytorch 学习 | 全局平均池化 global average pooling
计算机视觉
07-27 8279
版权声明：本文为优快云博主「qyhyzard」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.youkuaiyun.com/CVSvsvsvsvs/article/details/90495254 利用现有的pooling 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...
Global Average Pooling全局平均池化的一点理解
热门推荐
qq_23304241的博客
05-12 5万+
  Traditional Pooling Methods 要想真正的理解Global Average Pooling，首先要了解深度网络中常见的pooling方式，以及全连接层。 众所周知CNN网络中常见结构是：卷积、池化和激活。卷积层是CNN网络的核心，激活函数帮助网络获得非线性特征，而池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。深度网络越往后面越能捕...
GAP(Global Average Pooling)
Crazy的博客
05-09 2607
GAP出自于论文 Network in Network 常见CNN的网络结构为： Input Layer、Convolutional Layer、Pooling Layer、Fully Connected Layer、Output Layer 论文使用GAP来代替最后的全连接层，对最后一层每一个特征图，进行全局的均值池化。这样，每个特征图对应一个特征点。所有特征点组成的特征向量，进行softmax...
关于Global average Pooling
水不在深有江的博客
07-31 895
看了几个典型网络似乎最后都有这一层Global average Pooling，相关说明转载自 https://blog.youkuaiyun.com/williamyi96/article/details/77530995 https://blog.youkuaiyun.com/losteng/article/details/51520555...
全局平均池化（Global Average Pooling，简称GAP）
weixin_46211609的博客
03-27 1642
全局平均池化（Global Average Pooling，简称GAP）是一种常用于卷积神经网络（CNN）中的池化方法，特别是在图像分类等任务中。它的作用是通过对每个特征图（feature map）进行平均操作来减少数据的维度。：通常是一个经过卷积层处理的特征图，大小为 ( H × W × C )（其中 ( H ) 和 ( W ) 分别是特征图的高度和宽度，( C ) 是通道数）。
深度学习 Global average pooling (GAP) 全局平均池化
puspos的博客
09-01 2354
Global average pooling 之前 如何分类 cnn中通常在最后分类时，最后用全连接层接softmax激活函数进行分类。 最后一层卷积通过卷积得到全连接的输入 最后一层的卷积得到的feature map为(channels_in, h,w)，通过一个卷积核(channels,h,w)，得到一个神经元即(1,1,1)。若全连接层的输入要求有1024个神经元，则需要1024个卷积核。 存在的问题 全连接参数量过大，降低了训练的速度，且很容易过拟合 Global average pooling
什么是GAP(GlobalAverage Pooling)
weixin_39326879的博客
05-18 5283
很多固定输出的网络都需要在最后一层加上全连接层 但是全连接层参数量大,计算量也大,速度就慢下来了,还有可能导致过拟合 那怎么办呢? 有多少个分类就输出多少个featureMap,每个featureMap的值累加求平均,再做softmax,哪个概率大就属于哪个分类; ...
Keras GlobalAveragePooling2D 示例代码
weixin_30361753的博客
10-10 1825
GlobalAveragePooling2D层 keras.layers.pooling.GlobalAveragePooling2D(dim_ordering=‘default‘) 为空域信号施加全局平均值池化 参数 data_format：字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的im...
GlobalAveragePooling
最新发布
05-09
### Global Average Pooling 的概念 全局平均池化（Global Average Pooling, GAP）是一种用于减少特征图空间维度的技术，通常应用于卷积神经网络（Convolutional Neural Networks, CNNs）。它通过计算整个特征图上的像素值的平均值得到单一数值来替代传统的全连接层。这种方法不仅减少了参数数量，还降低了过拟合的风险。 GAP 的主要作用是在最后一个卷积层之后应用，将每个通道的空间尺寸压缩为单个值。这使得模型可以直接从局部响应中提取全局信息[^2]。 ```python import tensorflow as tf from tensorflow.keras.layers import GlobalAveragePooling2D # 假设输入张量形状为 (batch_size, height, width, channels) input_tensor = tf.random.normal(shape=(32, 7, 7, 512)) # 示例输入 # 应用全局平均池化 gap_layer = GlobalAveragePooling2D() output_tensor = gap_layer(input_tensor) print(output_tensor.shape) # 输出形状应为 (32, 512)，即 batch size 和 channel 数不变 ``` 在这个例子中，`GlobalAveragePooling2D` 层接收一个四维张量作为输入 `(batch_size, height, width, channels)`，并返回二维张量 `(batch_size, channels)`。这意味着高度和宽度被完全压缩成单个值，而通道数保持不变。 ### 实现细节 在深度学习框架中，如 TensorFlow 或 PyTorch，可以通过内置函数轻松实现 GAP： #### 使用 TensorFlow/Keras TensorFlow 提供了 `tf.keras.layers.GlobalAveragePooling2D()` 来简化这一过程。该方法会自动处理不同大小的输入，并将其转换为固定长度的向量[^4]。 #### 自定义实现 如果需要手动实现 GAP，则可以利用 NumPy 或 TensorFlow 的基本操作完成相同功能： ```python def custom_global_average_pooling(x): """ 手动实现全局平均池化的函数。 参数: x: 输入张量，形状为 (batch_size, height, width, channels). 返回: y: 经过全局平均池化后的张量，形状为 (batch_size, channels). """ return tf.reduce_mean(x, axis=[1, 2]) # 测试自定义实现 custom_output = custom_global_average_pooling(input_tensor) print(custom_output.shape) # 验证输出形状是否一致 ``` 这段代码展示了如何不依赖于预定义的层接口，而是直接调用底层运算符执行相同的逻辑。 ### 总结 全局平均池化提供了一种有效的方法，在保留重要语义信息的同时显著降低模型复杂度。对于某些特定应用场景而言，比如图像分类任务中的最后几层设计阶段，采用 GAP 可能带来性能提升以及训练效率改善的效果[^5]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值