这样做是因为经过cnn提取得到的特征图，其实包含了原始图片的空间信息（也就是位置信息），如果直接做了由特征图到特征向量的转换，会破坏空间信息，而先做了全局平均池化，再做全连接层，效果会好一些。

这个内容是在看 Class Activate Map的过程了解的。

这个链接里面进一步介绍了CAM中和全局平均池化的关系。