最近，我使用一个很浅的Resnet开始了一个有关分类的项目。 该模型只有10次转化。层，然后在softmax层之前连接全局avg池层。

表现好于我的期望--- 93％（是的，还可以）。

但是，由于某些原因，我需要替换全局平均池化层。

我尝试了以下方法：

（鉴于此层的输入形状[-1，128，1，32]，张量流形式）

1. 全局最大池化层。但获得了85％的acc

2. 指数移动平均线。但是得到了12％（几乎没有用）

   split_list = tf.split(input,128,axis=1)
   avg_pool = split_list[0]
   beta = 0.5
   for i in range(1,128):
       avg_pool = beta*split_list[i] + (1-beta)*avg_pool
   avg_pool = tf.reshape(avg_pool,[-1,32])
   

3. 将输入拆分为4个部分，avg_pool每个部分，最后将它们连接起来。 但得到了75％

   split_shape = [32,32,32]
   split_list = tf.split(input,split_shape,axis=1)
   for i in range(len(split_shape)):
       split_list[i] = tf.keras.layers.GlobalMaxPooling2D()(split_list[i])
   avg_pool = tf.concat(split_list,axis=1)
   

4. 平均最后一个频道。 [-1，128，1，32]-> [-1，128]，不起作用                                        ^

5. 使用转化1个内核的内核层。这样，输出形状为[-1、128、1、1]。但没有用，大约25％。

我很困惑，为什么全球平均池可以很好地发挥作用？ 还有其他替代方法吗？