小土堆Pytorch学习笔记（十、最大池化的使用）

一、最大池化的使用

可以打开Pytorch网页，查看池化层：

最大池化也被称为下采样。可以看它的一些参数。

stride的默认值为kernel_size，而ceil_mode设为True时，输出的图像形状会采用向上取整(ceil)，设为False时，输出的图像形状会采用向下取整（floor)。
以下面的输入图像为例;

编写代码;

import torch

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]])
# 因为max_pool的输入是四维的，而原来的图像是二维的，所以需要reshape.而shape的第一个参数填-1，后面它会自己计算
input = torch.reshape(input, (-1, 1, 5, 5))
print(input.shape)

结果如下;

torch.Size([1, 1, 5, 5])

定义一个神经网络，输入，再打印输出：

import torch
from torch import nn
from torch.nn import MaxPool2d

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)
# 因为max_pool的输入是四维的，而原来的图像是二维的，所以需要reshape.而shape的第一个参数填-1，后面它会自己计算
input = torch.reshape(input, (-1, 1, 5, 5))
print(input.shape)


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

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

cow = Cow()
output = cow(input)
print(output)

结果如下：

torch.Size([1, 1, 5, 5])
tensor([[[[2., 3.],
          [5., 1.]]]])

注意输入要求格式为浮点数，所以设置了dtype参数。
再修改ceil_mode的参数， 由True -> False，再看运行结果如何。

torch.Size([1, 1, 5, 5])
tensor([[[[2.]]]])

设置dataset和dataloader：

dataset = torchvision.datasets.CIFAR10("./dataset", train=False, transform=torchvision.transforms.ToTensor, download=True)
dataloader = DataLoader(dataset, batch_size=64)

运行如下代码：

import torch
import torchvision.datasets
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("./dataset", train=False, transform=torchvision.transforms.ToTensor(),
                                       download=True)
dataloader = DataLoader(dataset, batch_size=64)


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

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


cow = Cow()
writer = SummaryWriter("logs_maxpool")
step = 0
for data in dataloader:
    imgs, targets = data
    writer.add_images("input", imgs, step)
    output = cow(imgs)
    writer.add_images("output", output, step)
    step = step + 1

writer.close()

然后打开tensorboard：

这就是图像最大池化的结果。