首页 > 其他分享> 文章详细

深度学习笔记019池化层

2022-02-07 20:03:45 阅读：193 来源： 互联网

标签：池化层 nn 步幅 torch 笔记 pool2d print 019

二维最大池化层：

　　返回窗口中的最大值。

池化层与卷积层类似，都具有填充和步幅；

没有可学习的参数；

在每个输入通道应用池化层以获得相应的输出通道；

输出通道数==输入通道数

## 这里不用池化层做多通道融合的原因，是因为通道融合常常是卷积的任务。

除了最大池化层，还有一个平均池化层最常用。

池化层常常返回窗口的最大值或者平均值；

池化层的主要作用是缓解卷积对位置的敏感性，所以通常被放在卷积层后面。

同样有窗口大小、填充和步幅作为超参数。

Q&A：

额……今天的Q&A我并不觉得学到了什么，不写了。

代码：

import torch
from torch import nn
from d2l import torch as d2l

# 池化层的正向传播
def pool2d(X, pool_size, mode='max'): #输入，窗口大小，模式（最大和平均）
    p_h, p_w = pool_size
    Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            if mode == 'max':
                Y[i, j] = X[i: i + p_h, j: j + p_w].max()
            elif mode == 'avg':
                Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
    return Y

X=torch.tensor([[0.0,1.0,2.0],[3.0,4.0,5.0],[6.0,7.0,8.0]])
print(pool2d(X,(2,2)))
print(pool2d(X,(2,2),'avg'))

# 用api实现以下
X=torch.arange(16,dtype=torch.float32).reshape((1,1,4,4))
print(X)
pool2d=nn.MaxPool2d(3)  # 这里解释一下为什么输出只有1个值，因为nn里的pool默认步幅和kernel_size一样，不信咱们下面重新指定一下步幅padding
print(pool2d(X))

pool2d=nn.MaxPool2d(3,stride=1,padding=0)  # 这里解释一下为什么输出只有1个值，因为nn里的pool默认步幅和kernel_size一样，不信咱们下面重新指定一下步幅padding
print("you see,it has changed to 4 numbers:\n",pool2d(X))

# 类似卷积层，我仍然可以用不正的矩形做池化
pool2d=nn.MaxPool2d((2,3),padding=(1,1),stride=(2,3))
print(pool2d(X))


# 池化层在每个输入通道上做运算
Y=torch.stack((X,X+1),1)
X=torch.cat((X,X+1),1)  #这里的维度，0/1/2/3维度分别是样本数、通道数、高、宽，因此在这里拼接的是第一个维度，通道数
print(Y,"\n",X)
print("可以看到，X和Y差了一个维度，这便是stack和cat的区别。在这里X本身已经是四维，不需要添加新的维度（轴）。stark总是会添加一个新轴，而cat会在原来的轴上做拼接。")

pool2d=nn.MaxPool2d((2,3),padding=(1,1),stride=(2,3))
print(pool2d(X))

标签：池化层,nn,步幅,torch,笔记,pool2d,print,019
来源： https://www.cnblogs.com/loveandninenine/p/15868949.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

深度学习笔记019池化层