目标：

消除全连接层，目前已经广泛应用在深度图像领域
出处：2013年的Network In Network

存在的意义：

在卷积神经网络的初期，卷积层通过池化层（一般是 最大池化）后总是要一个或n个全连接层，最后在softmax分类。其特征就是全连接层的参数超多，使模型本身变得非常臃肿。全连接存在的问题：参数量过大，降低了训练的速度，且很容易过拟合。

具体实现：

在分类神经网络的最后，为每个类别分别配置一个特征图；将特征图所有像素值相加求平局，得到一个数值，即用该数值表示对应特征图。作为后续softmax层的输入。

参考文章：

全局平均池化（Golbal Average Pooling）
全局平均池化（Global Average Pooling）