Network In Network是图像分类模型中第一个使用GAP替换FC+dropout的方法，从此之后的分类模型全都开始使用GAP方案。也就是图1所示的样子。

图1、分类模型结构简图

将图1中的GAP去掉，同时将FC层转换为1*1的conv（权重从FC里直接拷贝过来），得到图2所示的样子。

图2、分类模型变体

对于一个通过图1方式来训练得到的分类器，可以转换为图2的形式。通过图2方式，分类器变成了语义分割模型，通过该模型，我们不仅可以对一张图像进行分类（即，这张图像是否包含什么物体），还能可以该定位出该图像中的物体（即，该物体在图像哪个地方），这就是CAM的原理。

按照我们的直观感受，图1方式的GAP应该会让分类器丢掉位置信息，而且分类器的label也不包含位置信息。为什么图1方式训练的模型，转换为图2方式的时候，却能获取位置信息呢？

答案藏在图1和图2中。

刚刚的情况是图1方式训练，预测的时候转换成图2方式。如果我们直接通过图2方式进行训练，预测的时候依然用图2方式呢？

这个时候，分类任务就类似语义分割任务，举个例子：训练集中有一张图像A，类别是猫，1*1 conv输出的feature map大小为7*7，每个cell的label都是猫。每个cell对应到原图中一个patch（通过感受野可以对回去），图1方式训练的时候，对全图进行分类；图2方式训练，则是对每个patch进行分类，诶，位置信息有了。

但是这带来了一个新问题，图2方式训练的时候，7*7一共49个patch的label都是猫，实际情况是，整张图中不完全都是猫，往往只有一部分是猫，其他部分是背景。

直觉来看似乎有问题——label中有noise。这个时候我们联想到multiple instance learning。

In machine learning, multiple-instance learning (MIL) is a type of supervised learning. Instead of receiving a set of instances which are individually labeled, the learner receives a set of labeled bags, each containing many instances.

In the simple case of multiple-instance binary classification, a bag may be labeled negative if all the instances in it are negative. On the other hand, a bag is labeled positive if there is at least one instance in it which is positive.

From a collection of labeled bags, the learner tries to either (i) induce a concept that will label individual instances correctly or (ii) learn how to label bags without inducing the concept.

图2方式训练的时候，这就是multiple instance learning问题，另外分类任务一般目标物体在全图中占比较高，噪声比例不会太大，学习不会太困难。

如果图1方式和图2方式等价，那么刚刚的问题“为什么图1方式训练的模型，转换为图2方式的时候，却能获取位置信息呢？”就解决了。

遗憾的是图1方式训练和图2方式训练并不等价，但是二者存在较大的内在联系，I conjecture 图1方式训练的模型具备定位能力的原理与图2方式类似。