keras搭建的卷积神经网络进行图像分类中GlobalAveragePooling(GAP)怎么使用python代码

在 Keras 中，可以通过在模型中添加 `GlobalAveragePooling2D` 层来使用全局平均池化。

以下是一个简单的示例代码，用于搭建一个卷积神经网络进行图像分类，并使用 GlobalAveragePooling 进行池化操作：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, GlobalAveragePooling2D

# 搭建卷积神经网络
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(img_width, img_height, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())

# 添加全局平均池化层
model.add(GlobalAveragePooling2D())

# 添加全连接层
model.add(Dense(64, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

在上述代码中，我们通过 `GlobalAveragePooling2D` 层将卷积层输出的特征图进行池化操作，并将结果作为全连接层的输入，最终实现了一个简单的图像分类模型。