池化层:
1.积对位置敏感
2.检测垂直边缘
3.需要一定程度的平移不变性,例如照明、物体位置、比例、外观等因图像而异
二维最大池化
返回滑动窗口中的最大值,本质是忽略不重要信息
填充、步幅和多个通道
1.池化层和卷积层类似,都具有填充和步幅
2.没有可学习的参数
3.在每个输入通道应用池化层以获得相应的输出通道
4.输出通道数=输入通道数
5.池化层不做多通道融合
平均池化层
1.最大池化层:每个窗口中最强的模式信号
2.平均池化层:将最大池化层中的“最大”操作替换成“平均”
总结
1.池化层返回窗口中最大或平均值
2.缓解卷积层会位置的敏感性
3.同样有窗口大小、填充、和步幅作为超参数
代码实现
池化层的正向传播
import torch
from torch import nn
from d2l import torch as d2l
def pool2d(X, pool_size, mode='max'):
p_h, p_w=pool_size
Y=torch.zeros((X.shape[0]-p_h+1, X.shape[1]-p_w+1))
for i in range