Image processing 全局池做什么？

我最近在caffe的池层中找到了“global_pooling”标志，但是在这里的文档中找不到关于它的内容( 这里也没有（）

---

与正常池层行为相比，是否有一个简单的前向示例性解释？

使用全局池将维度从3D减少到1D。因此，全局池为每个功能映射输出1个响应。这可以是最大值、平均值或您使用的任何其他池操作

---

它通常用于卷积神经网络后端的末端，以获得适用于密集层的形状。因此，无需进行展平。

如果您要查找有关caffe标志/参数的信息，最好在的注释中查找。
对于

“全局池”

参数：

---

有关caffe层的更多信息，请参阅。

卷积可以用于任何图像输入大小（足够大）。但是，如果您在末尾有一个完全连接的层，则该层需要固定的输入大小。因此，整个网络需要固定的图像输入大小

但是，您可以删除完全连接的层，只使用卷积层。您可以在末尾创建一个卷积层，该层的筛选器数与您的类数相同。但是，您希望每个类都有一个值，表示该类的概率。因此，您可以在完整的剩余功能上应用池筛选器重新映射。因此，此池是“全局”的，因为它总是尽可能大。相比之下，通常的池层具有固定的大小（例如2x2或3x3）

---

这是一个通用概念。你也可以在其他库中找到全局池，例如，如果你想在文献中找到一个好的参考，我建议你阅读。

当我们应用GP层时，我们从整个特征图中只得到一个值，其中内核大小是特征图的h×w。GP层用于减少三维空间的维度维度特征图。但是，GP层执行更极端类型的维度缩减，其中维度为h×w×d的特征图的尺寸缩减为1×1×d。GP层通过简单地取所有hw值的平均值，将每个h×w特征图缩减为一个数字。

谢谢您的回答，但不应该是3D吗1D，因此它只有1个输出？因为在层之间只有3D输出（至少在caffe中），第4/2个输出是样本数。假设我有一个卷积，它有以下输出维度：DxWxH:（250，15，15），那么我不太确定第四维应该是什么，sryIn tensorflow它是这样组织的（nrSamples，channel，width，height）。因此，宽度和深度会减小。在caffe中，似乎没有样本尺寸，所以它会从3D减小到1D。啊，这个问题与caffe直接相关，所以也许你可以更改你的答案，使其适合这个问题

// If global_pooling then it will pool over the size of the bottom by doing
// kernel_h = bottom->height and kernel_w = bottom->width