全局平均池化替代fc的pytorch代码

全局平均池化（Global Average Pooling, GAP）是一种常用的特征提取方法，它不依赖于输入的大小，常用于卷积神经网络（CNN）的最后一层，以代替全连接层（fully connected layer, FC）。在PyTorch中，你可以使用`nn.AdaptiveAvgPool2d`模块来实现全局平均池化。以下是一个简单的例子：

import torch
import torch.nn as nn

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv_layers = ... # 假设这是你的卷积层部分
        self.global_avg_pool = nn.AdaptiveAvgPool2d((1, 1)) # 全局平均池化，适应输入尺寸

    def forward(self, x):
        out = self.conv_layers(x) # 输出特征图
        out = self.global_avg_pool(out) # 应用全局平均池化
        out = out.view(out.size(0), -1) # 投影到一维，通常用于扁平化后连接到其他层
        return out

在这个例子中，`conv_layers`是你模型中的卷积部分，`x`是输入张量。`adaptive_avg_pool`函数会计算特征图的每个通道的平均值，得到一个1x1的维度，这通常对应于一个向量，可以直接作为后续分类器的输入。