小土堆：Pytorch深度学习：神经网络-最大池化层的使用

今天学习神经网络-最大池化层的使用。

这段代码是一个简单的PyTorch程序，其目的是从CIFAR10数据集中读取图像，然后通过一个名为"Yang"的自定义网络模型，该模型只包含一个最大池化层（MaxPool2d），并将输入和输出的图像写入到TensorBoard的日志中。

# 导入必要的库：# - torch是PyTorch库，提供了深度学习的主要功能。# - torchvision是一个与PyTorch相关的库，提供了一些有用的工具，如预处理图像数据的方法、预训练的模型等。# - nn是PyTorch中的一个模块，提供了许多用于构建神经网络的类和函数。# - MaxPool2d是一个二维最大池化层。# - DataLoader是一个用于加载数据的工具，可以自动化数据批处理、打乱数据等操作。# - SummaryWriter是一个用于写TensorBoard日志的工具。import torchimport torchvisionfrom torch import nnfrom torch.nn import MaxPool2dfrom torch.utils.data import DataLoaderfrom torch.utils.tensorboard import SummaryWriter#  加载CIFAR10数据集，并且将数据转换为Tensor格式。dataset = torchvision.datasets.CIFAR10("../dataset", train=False, download=True,                                      transform=torchvision.transforms.ToTensor())# 使用DataLoader创建一个数据加载器，设置批量大小为64。dataloader = DataLoader(dataset, batch_size=64)
# 创建一个自定义的神经网络模型"Yang"，该模型只包含一个最大池化层。class Yang(nn.Module):    def __init__(self):        super(Yang, self).__init__()        self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)
    def forward(self, input):        output = self.maxpool1(input)        return outputyang = Yang()
# 创建一个SummaryWriter实例，用于写入TensorBoard日志。writer = SummaryWriter("logs")
# 在数据加载器中循环处理每个批次的数据：# - 将图像数据（输入）写入到TensorBoard日志中。# - 通过自定义的模型处理图像数据，得到输出。# - 将处理后的数据（输出）写入到TensorBoard日志中。step = 0for data in dataloader:    imgs, targets = data    writer.add_images("input", imgs, step)    output = yang(imgs)    writer.add_images("output", output, step)    step = step + 1# 所有数据处理完毕后，关闭SummaryWriter。writer.close()

在这段代码中，"Yang"模型的作用是对图像进行最大池化操作，这是一种常用的降低图像分辨率、同时保留图像主要特征的方法。通过TensorBoard，我们可以直观地看到这个过程的结果。