【pytorch卷1】 =4= 构建池化层

目录

1. introduction

2. 操作一下

2.1 接口

2.2 practice

2.2.1 先仿制一个图片变量

2.2.2 定义几种池化

---

1. introduction

• 卷积层和池化层是卷积神经网络的基本特征
  • 卷积和池化的区别是，卷积处理的是图像本身---像素相乘又相加，而池化是一个滤波器，是对像素的映射进行处理
• 池化层的作用是给特征图进行降维
• 池化操作分为
  • 均值池化：对像素点取均值，敏感于背景
  • 最大池化：对像素点取最大值，敏感于纹理

2. 操作一下

2.1 接口

torch.nn.functional.max_pool2d(input, kernel_size, stride = None, padding=0,dilation=1, ceil_mode=False, count_inc_pad=False)

2.2 practice

2.2.1 先仿制一个图片变量

import torch

img =  torch.tensor([
    [[0.,0.,0.,0.], [1.,1.,1.,1.], [2.,2.,2.,2.], [3.,3.,3.,3.]],
    [[4.,4.,4.,4.], [5.,5.,5.,5.], [6.,6.,6.,6.], [7.,7.,7.,7.]]
]).reshape([1,2,4,4])

2.2.2 定义几种池化

pooling = torch.nn.functional.max_pool2d(img, kernel_size=2)
#最大池化，步长为2
pooling1 = torch.nn.functional.max_pool2d(img, kernel_size=2,stride=1)
#最大池化，步长为1

pooling2 = torch.nn.functional.avg_pool2d(img, kernel_size=4,padding=(1,1),stride=1)
#均值池化，加padding，均值区域为4

pooling3 = torch.nn.functional.avg_pool2d(img, kernel_size=4)
#均值池化，均值区域为4