全局最大池化 = 池大小等于输入大小的普通最大池化层（准确地说是减去过滤器大小 + 1）。你可以看到它MaxPooling1D需要一个pool_length参数，而GlobalMaxPooling1D没有。

例如，如果最大池化层的输入是$0,1,2,2,5,1,2$, 全局最大池输出$5$，而池大小等于 3 个输出的普通最大池化层$2,2,5,5,5$（假设步幅=1）。

这可以在代码中看到：

class GlobalMaxPooling1D(_GlobalPooling1D):
    """Global max pooling operation for temporal data.
    # Input shape
        3D tensor with shape: `(samples, steps, features)`.
    # Output shape
        2D tensor with shape: `(samples, features)`.
    """

    def call(self, x, mask=None):
        return K.max(x, axis=1)

在某些领域，例如自然语言处理，通常使用全局最大池化。在其他一些领域，例如计算机视觉，通常使用非全局的最大池化。

如本文所述，提出了全局平均池化 (GAP)：

传统的卷积神经网络在网络的较低层执行卷积。对于分类，最后一个卷积层的特征图被矢量化并输入到全连接层，然后是一个 softmax 逻辑回归层。这种结构将卷积结构与传统的神经网络分类器联系起来。它将卷积层视为特征提取器，并以传统方式对生成的特征进行分类。

然而，全连接层容易过拟合，从而阻碍了整个网络的泛化能力。Dropout 由 Hinton 等人提出作为正则化器，它在训练期间将全连接层的一半激活随机设置为零。它提高了泛化能力，并在很大程度上防止了过拟合。

在本文中，我们提出了另一种称为全局平均池化的策略，以取代 CNN 中传统的全连接层。想法是在最后一个 mlpconv 层中为分类任务的每个对应类别生成一个特征图。我们没有在特征图之上添加全连接层，而是取每个特征图的平均值，并将结果向量直接馈送到 softmax 层。全局平均池在全连接层上的一个优点是，它通过强制特征图和类别之间的对应关系，更适合卷积结构。因此，特征图可以很容易地解释为类别置信度图。另一个优点是在全局平均池中没有要优化的参数，因此在这一层避免了过度拟合。此外，全局平均池化汇总了空间信息，因此它对输入的空间转换更加稳健。我们可以将全局平均池化视为一种结构正则化器，它明确地将特征图强制为概念（类别）的置信度图。这是通过 mlpconv 层实现的，因为它们比 GLM 更接近置信度图。

编辑： 正如@MaxLawnboy 所建议的，这是关于同一主题的另一篇论文。