pytorch: Pool 和 AdaptivePool 的区别和使用方法

在 pytorch 中，池化层（Pooling）有两种操作方式，一种是手动设计，另一种是自适应池化。

一、手动设计

池化层操作，一般有最大值(max)池化和均值(avg)池化，而根据尺寸又有一维，二维，三维。所以，手动设计的池化层有6种函数：
AvgPool1d
AvgPool2d
AvgPool3d
MaxPool1d
MaxPool2d
MaxPool3d

以 AvgPool2d 为例，求一个张量的平均二维池化层：

import torch
import torch.nn as nn

input = torch.rand(1, 3, 5, 5)
avgpool = nn.AvgPool2d(kernel_size=3, stride=1, padding=0)
out1 = avgpool(input)
print(out1.shape)

输出：
torch.Size([1, 3, 3, 3])

从例子中可以看出，手动设计的池化层，要根据自己想要得到的输出来设置卷积核的大小，步长以及边界补充。该函数一般混合在卷积层中使用。

二、自适应池化

同样地，自适应池化也有分均值和最大值，分一维，二维和三维。也有6个函数：
AdaptiveAvgPool1d
AdaptiveAvgPool2d
AdaptiveAvgPool3d
AdaptiveMaxPool1d
AdaptiveMaxPool2d
AdaptiveMaxPool3d

同样地，以AdaptiveAvgPool2d为例子：

import torch
import torch.nn as nn

adaavgpool = nn.AdaptiveAvgPool2d(3)
out2 = adaavgpool(input)
print(out2.shape)

adaavgpool = nn.AdaptiveAvgPool2d([2, 3])
out2 = adaavgpool(input)
print(out2.shape)

输出为：
torch.Size([1, 3, 3, 3])
torch.Size([1, 3, 2, 3])

从例子中可以看出，自适应池化不需要设计计算输出的大小，输入的参数是输出的大小，所以不需要自行设计，就可以得到想要的输入大小，该前提下是输出不能比输入大。该自适应池化函数一般应用在卷积层后面，把卷积层降维到1，即nn.AdaptiveAvgPool2d(1)，然后通过 x=x.view(1) 更改形状，左后输入到全连接层。