Pytorch深度学习随手记（2）pytorch中nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d() 的区别

最新推荐文章于 2023-10-22 12:09:46 发布
最新推荐文章于 2023-10-22 12:09:46 发布
阅读量784 收藏
点赞数
分类专栏： 从入门到放弃 文章标签： pytorch 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Promise11161314/article/details/121083156
版权

简单概括：都是做二维的平均池化但它们关注的参数不一样。

nn.AdaptiveAvgPool2d(output_size) #参数指定输出固定尺寸

自适应就是 这个意思就是你在下面休息它会自己动，所以给定输出尺寸如（H,W）就行

nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

#参数指定 核大小，步长，填充，F向下取整（T向上取整），计算时是否包含pad的0 

 

 

 

为了强大自身而学习
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解
12-23
CLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE] 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 ...
Pytorch损失函数nn.NLLLoss2d()用法说明
09-16
在PyTorch中，损失函数是衡量模型预测与真实标签之间差距的重要工具，nn.NLLLoss2d()是其中一种损失函数，主要用于二维数据，如图像处理任务。它全称为Negative Log Likelihood Loss（负对数似然损失），在分类问题...
nn.AvgPool2d——二维平均池化操作
qq_50001789的博客
09-28 3万+
PyTorch学习笔记：nn.AvgPool2d——二维平均池化操作 torch.nn.AvgPool2d( kernel_size , stride=None , padding=0 , ceil_mode=False , count_include_pad=True , divisor_override=None ) 功能：在由多个平面组成的输入信号上应用2D平均池化操作，具体计算公式如下： out(Ni,Ci,h,w)=1kH∗kW∑m=0kH−1∑m=0kH−1input(Ni,Ci,stride
nn.AdaptiveAvgPool2d
芒果干的博客
11-06 1万+
torch.nn.AdaptiveAvgPool2d torch.nn.AdaptiveAvgPool2d(output_size) output_size：可以为tuple类型(H, W)，也可以为一个数字H表示(H, H)，H,W可以为int或者None类型，如果是None默认与输入相同大小 二维平均自适应池化，只需要给出输出的参数就可以自动寻找相应的kernal size以及stride Applies a 2D adaptive average pooling over an input si
nn.AvgPool2d()函数
qq_43349542的博客
07-04 1万+
X为输入图像的大小 通过nn.AvgPool2d()函数输入和输出的特征层数目不变，特征图大小改变。 nn.AvgPool2d(2,2)和nn.MaxPool2d(2, 2)一样是图像大小缩小为原来的一半。
pytorch中二维平均池化模块torch.nn.AdaptiveAvgPool2d() 与 torch.nn.AvgPool2d() 的区别
Viraha_的博客
03-25 1105
pytorch中二维平均池化模块torch.nn.AdaptiveAvgPool2d() 与 torch.nn.AvgPool2d() 的区别 nn.AvgPool2d() 原始模型： class torch.nn.AvgPool2d(kernel_size,stride=None,padding=0,ceil_mode=False,count_include_pad=True) 其中不同的参数表示的意义： kernel_size( int or tuple)-池化窗口大小 stride( i
池化层：最大池化MaxPool、平均池化AvgPool、自适应池化AdaptiveMaxPool区别--基于pytorch框架
weixin_48678602的博客
04-07 1万+
文章目录MaxPool2d最大池化AvgPool2d平均池化AdaptiveAvgPool2d自适应平均池化 池化操作的一个重要的目的就是对卷积后得到的特征进行进一步处理，池化层可以起到对数据进一步浓缩的效果，从而缓解计算时内存的压力。 在pytoch中提供很多池化的类，这里主要介绍最**大池化（MaxPool）、平均池化（AvgPool）、自适应池化（AdaptiveAvgpool）**的区别,，其他方法类似。 对于torch.nn.MaxPool2d()池化操作相关参数的应用，其使用方法如下所示 tor
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
今天小编就为大家分享一篇pytorch nn.Conv2d()中的padding以及输出大小方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch1.0中torch.nn.Conv2d用法详解
09-18
总的来说，`torch.nn.Conv2d`在PyTorch中扮演着至关重要的角色，它与其他函数如`F.relu`和`F.max_pool2d`结合，构建了深度学习模型的基础架构。理解其工作原理和参数设置对于有效地设计和训练神经网络至关重要。
pytorch中的池化函数
thy0000的博客
10-13 3348
PyTorch 提供了多种池化函数，用于对输入数据进行不同类型的池化操作。这些池化函数允许你对不同维度的输入数据进行平均池化或最大池化，并且有自适应版本，可以自动调整输入大小以满足指定的输出大小。选择适当的池化函数取决于你的应用和输入数据的维度。
nn.AdaptiveAvgPool2d——二维自适应平均池化运算
qq_50001789的博客
09-28 1万+
PyTorch学习笔记：nn.AdaptiveAvgPool2d——二维自适应平均池化运算 torch.nn.AdaptiveAvgPool2d(output_size) 功能：该函数与二维平均池化运算类似，区别主要体现在自适应上，对于任何输入大小，输出大小均为指定的H×W大小。 输入： output_size：指定的输出大小，可以是元组(H，W)，或者是单个的数，如果是单个的数，则表示输出的高和宽尺寸一样，output_size大小可以大于输入的图片尺寸大小。 代码案例 一般用法 import to
Pytorch学习笔记(五):nn.AdaptiveAvgPool2d()函数详解
热门推荐
源的博客
06-17 4万+
相关文章 Pytorch学习笔记(一):torch.cat()模块的详解 Pytorch学习笔记(二):nn.Conv2d()函数详解 Pytorch学习笔记(三):nn.BatchNorm2d()函数详解 [Pytorch学习笔记(四):nn.MaxPool2d()函数详解] Pytorch学习笔记(五):nn.AdaptiveAvgPool2d()函数详解 文章目录1.函数语法格式和作用2.参数解释3.具体代码 1.函数语法格式和作用 作用: 自适应平均池化，指定输出（H，W） 函数语言格式: nn
Pool池化下采样层详解（三）
最新发布
梦在黎明破晓时的博客
10-22 378
output_size：指定输出固定尺寸。自适应平均池化，指定输出（H，W）
torch.nn.functional.avg_pool2d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_in
qq_35608277的博客
01-05 5965
ref https://pytorch.org/docs/stable/nn.html#torch-nn-functional torch.nn.functional.avg_pool2d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True) → Tensor 只需要输出张量， ...
pytorch torch.nn.AdaptiveAvgPool2d() 自适应平均池化函数解析
CVer
04-01 4万+
如题：只需要给定输出特征图的大小就好，其中通道数前后不发生变化。具体如下： AdaptiveAvgPool2d CLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE] Applies a 2D adaptive average pooling over an input signal composed of several input pla...
TensorFlow 中平均池化 tf.nn.avg_pool 的基本用法及实例代码
sdnuwjw的博客
12-28 1万+
一、环境 TensorFlow API r1.12 CUDA 9.2 V9.2.148 cudnn64_7.dll Python 3.6.3 Windows 10   二、官方说明 对输入张量 value 执行平均池化操作 输出的每个条目为输入张量 value 中 ksize 大小的窗口所有值的平均值 https://www.tensorflow.org/api_docs/py...
tensorflow改写torch的AdaptiveAvgPool2d
qq_39321513的博客
07-19 887
通过对比pytorch的tensor和tensorflow的tensor可以验证改写成功，只不过精度有点区别。
AdaptiveAvgPool2d理解（中网、外网整合)
xiyou__的博客
11-12 2万+
结合中网和外网关于pytorch的AdaptiveAvg2d的优秀解答，并结合自己的理解，分析了AdaptiveAvg2d和一般池化的区别，并举实例帮助理解。
pytorch nn.adaptiveavgpool2d公式
04-30
PyTorch中的nn.adaptiveavgpool2d是一种自适应平均池化函数，用于将输入张量的大小调整为指定输出大小。它采用的池化方式与常规2D平均池化相同，但可以选择使用指定的输出大小，而无需输入形状。 公式如下： ``` output = F.adaptive_avg_pool2d(input, output_size) ``` 其中，input是待池化的输入张量，output_size是输出张量的大小。该函数可以处理任何输入尺寸的张量，并输出指定大小的张量。 在进行自适应平均池化时，我们需要首先计算出输入张量的每个通道的平均值，并将其存储在输出张量的相应位置上。计算公式如下： ``` out[n,c,h,w] = (1/(kernel_size[0]*kernel_size[1]))*sum_{i=0}^{kernel_size[0]-1} sum_{j=0}^{kernel_size[1]-1} input[n,c,stride[0] \times h+i,stride[1] \times w+j] ``` 其中，n、c、h、w分别表示输出张量中的批次数、通道数、高度和宽度；kernel_size是池化核的大小；stride是每个维度上的步长。 因此，通过使用nn.adaptiveavgpool2d函数，我们可以方便地对输入张量进行平均池化，并将其大小调整为指定输出大小，以生成与输入具有相同通道数，但不同尺寸的输出。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值