最大池化的使用

引言：

在神经网络中，池化层是比较重要的，是提取信息的重要操作，可以去掉一些不重要的信息，从而减少计算量；

相关参数（MaxPool2d）：

• kernel_size：表示做最大池化的窗口大小，可以是单个值，也可以是tuple元组；
• stride：步长，可以是单个值，也可以是tuple元组；
• padding：填充，可以是单个值，也可以是tuple元组；
• dilation：控制窗口中元素的步幅；
• return_indicex：布尔类型，返回最大值位置索引；
• ceil_mode：布尔类型，为True，用向上取整的方法，计算出输出形状；默认是向下取整；

代码展示：

import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10('data', train=False, download=True,
                                       transform=torchvision.transforms.ToTensor())

dataloader = DataLoader(dataset, batch_size=64)

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]], dtype=torch.float32)

input = torch.reshape(input, (-1, 1, 5, 5))


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)

    def forward(self, input):
        output = self.maxpool1(input)
        return output


tudui = Tudui()

writer = SummaryWriter('logs_maxpool')

step = 0

for data in dataloader:
    imgs, targets = data

    writer.add_images('input', imgs, step)
    output = tudui(imgs)
    # output = torch.reshape(output, (-1, 3, 30, 30))
    writer.add_images('output', output, step)

    step += 1

writer.close()