滑到最底下面有2个图，从上到下分别为图1和图2：
之前实战过程中您讲到：
在连接全连接层之前，先做一个flatten展平，如下图1所示：:
在本节6-11节中，您讲到：
对于Resnet50来说，它最后倒数第2层的输出是一个卷积层的输出，所以它是一个三维矩阵，而不是一个向量。对于三维矩阵来说，我们并不能直接把全连接层给加上去，所以我们需要考虑做一些处理
一个可能的考虑就是去做pooling,把它图像的那2个维度给消掉；
还有另外一个就是我可以直接去展平，在这个时候pooling就是None就是不做处理
在本次实战，就设成Averagepooling
那么请问以下问题：
1.****‘’一个可能的考虑就是去做pooling,把图像2维度消掉—方法1
还有另外一个就是我可以直接去展平，pooling就是None就是不做处理‘’—方法2
针对这个描述，请问本节课 用的第几种方法去做处理的呢？
2.“一个可能的考虑就是去做pooling,把它图像的那2个维度给消掉“
针对方法1，那个维度‘’，是不是输出特征图的长和宽这2个维度，然后保留输出通道数这个维度 。比如 卷积层的输出shape[28,28,32] 32就是输出通道数，也就等于filter的数目，那我就把28,28这2个维度给消掉？只保留32这个维度？
针对方法1去做pooling消掉2个维度，是怎么用Pooling消掉的呢？
3.**针对方法2，为什么pooling是None不做处理可以直接展平呢？怎么实现的？pooling不做操作的话，我理解为pooling之前的卷积层就直接输出了，后面不用池化了，因为pooling都已经是None了么，卷积层输出还是三维矩阵，怎么会展平变为一维的呢？
4.‘’在本次实战呢，就设成Averagepooling‘’您总共讲了2种方法，肯定不是方法2，那假设是方法1，为什么Averagepooling‘就能消掉2个维度，降维1维，原理是什么呢？
5.为什么不像图1一样，在resnet50的后面加一个flatten层实现展平操作呢？
展平操作除了flatten之外还有其他方法么？
6.如图2所示：Resnet50总共有50层，
keras.applications.Resnet()里面的参数pooling=‘avg’,那么这50层中的所有的pooling层
都做了平均池化，如果您用的方法2(滑到上面提到)**使得Resnet50本身的最后一层的前一层卷积输出降维到1维，然后去连接的自己写的全连接层。
那么Resnet50的网络结构中，每个avgpooling层之前的卷积层，在经过了pooling之后都被降到了1维，然后再进行下一层卷积，卷积层的输出都降到1维了，特征图还存在么？特征图起码有长和宽2个维度吧还有通道这个通道维度呢?您把整个resnet50的所有pooling都avg了呢