Pytorch(笔记3)--MaxPool2d&AdaptiveAvgPool2d

   在上一节中我们详细的阐述了Conv2d的计算原理，今天我们来讲述下Pytorch中其他比较常见的操作！

   在lenet5的时候，受限于计算能力和存储能力，通常采用downsample来降维

        

在pytorch中使用Pooling操作来实现采样，常见的pool操作包含Max_pool，Avg_pool等

Max_pool

x = t.rand(1,3,7,7)
out = nn.MaxPool2d(kernel_size=2,stride=2)
out.forward(x).shape
torch.Size([1, 3, 3, 3])

启动kernel代表的是观察角度，如下图kernel就是2*2，stride和Conv操作中一样代表每次移动的步长。

下图操作，在每次观察区域内取最大值作为采样数据进行降维操作，这样做的优点是可以使显性特征更明显，降维操作并没有更改输出和输出的channel_num 

Avg_pool

对于Avg_pool来说，参数和Max_pool是完全相同的，主要区别就是在kernel中取的是平均值操作。

AdaptiveAvgPool2d&AdaptiveMaxPool2d

和之前的运算方法不同，torch.nn提供了自适应size的函数样例如下：

可以看出，输出结果的size是按照我们给丁的结果进行运算的，一个参数代表H和W相同，也可以自定义（H，W），底层是对F.adaptive_avg_pool2d的封装，一般在类中的是大写小写的是函数，在Function中。

class AdaptiveAvgPool2d(_AdaptiveAvgPoolNd):
    r"""Applies a 2D adaptive average pooling over an input signal composed of several input planes.

    The output is of size H x W, for any input size.
    The number of output features is equal to the number of input planes.

    Args:
        output_size: the target output size of the image of the form H x W.
                     Can be a tuple (H, W) or a single H for a square image H x H.
                     H and W can be either a ``int``, or ``None`` which means the size will
                     be the same as that of the input.

    Examples:
        >>> # target output size of 5x7
        >>> m = nn.AdaptiveAvgPool2d((5,7))
        >>> input = torch.randn(1, 64, 8, 9)
        >>> output = m(input)
        >>> # target output size of 7x7 (square)
        >>> m = nn.AdaptiveAvgPool2d(7)
        >>> input = torch.randn(1, 64, 10, 9)
        >>> output = m(input)
        >>> # target output size of 10x7
        >>> m = nn.AdaptiveMaxPool2d((None, 7))
        >>> input = torch.randn(1, 64, 10, 9)
        >>> output = m(input)

    """

    @weak_script_method
    def forward(self, input):
        return F.adaptive_avg_pool2d(input, self.output_size)

我们可以根据下面的内容推导出我们不知道的参数，从而实现AdaptiveAvgPool2d&AdaptiveMaxPool2与前两个函数的转换，C++源码

stride = floor ( (input_size / (output_size) )

kernel_size = input_size − (output_size−1) * stride

padding = 0

坚持一件事或许很难，但坚持下来一定很酷！^_^