【pytorch】nn.AvgPool2d()与AdaptiveAvgPool2d() 的区别

声明:此篇文章是个人学习笔记,并非教程,所以内容可能不够严谨。可作参考,但不保证绝对正确。如果你发现我的文章有什么错误,非常欢迎指正,谢谢哦


平均池化层,又叫平均汇聚层,作用:https://blog.csdn.net/weixin_42193719/article/details/103860206

每次会计算滑动窗口覆盖区域内数值的平均值,然后将滑动窗口滑向下一个区域计算下一个平均值,如此反复直到滑动到末尾。


nn.AvgPool2d

torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)
参数功能
kernel_size滑动窗口的大小
stride滑动步长,默认等于kernel_size
padding在图像边缘添加0边
ceil_mode当滑动窗口滑动后有一部分不在图像范围内时,是否会计算平均值
count_include_pad如果为True,则0边会参与平均值计算
divisor_overrid默认是求多个元素后除以元素个数,也就是求平均值。这里可以设置新的除数,即多元元素求和后除以这个数,但这样就不是求平均值了。

nn.AdaptiveAvgPool2d

torch.nn.AdaptiveAvgPool2d(output_size)
参数功能
output_size指定输出特征层的尺寸。可以用元组(H,W)指定输出为HxW的特征,也可以用单个数H表示输出为HxH的特征

二者区别

nn.AvgPool2d()需要我们自己指定核(滑动窗口)的大小、步长等参数,输出特征的尺寸取决于我们给定的窗口大小、步长等参数。

而AdaptiveAvgPool2d()会根据我们想要的输出,自行计算核的大小。我们只需要说明我们想要的输出尺寸是多少,它会自动调整滑动窗口大小等参数去实现我们的要求。

代码验证
data = torch.tensor(
        [[[[9.0, 0, 7,6],
          [3,2,6,8],
          [7,5,4,4],
          [4,8,3,5]],

         [[3,8,7,2],
          [9,6,1,2],
          [2,0,8,0],
          [2,9,8,4]]]]
)

ada_avg = torch.nn.AdaptiveAvgPool2d(1)
print('ada_avg',ada_avg(data))
avg = torch.nn.AvgPool2d(kernel_size=4)
print('avg:',avg(data))
#输出结果为:
#ada_avg tensor([[[[5.0625]],
#         [[4.4375]]]])
#avg: tensor([[[[5.0625]],
#         [[4.4375]]]])
#可见,当把output_size设置1,即期望输出1x1尺寸的特征。最后得到的结果和把池化窗口大小设为4x4是一样的效果。
#下面再尝试一次:
ada_avg = torch.nn.AdaptiveAvgPool2d((2,3))
print('ada_avg',ada_avg(data))
avg = torch.nn.AvgPool2d(kernel_size=2, stride=(2,1))
print('avg:',avg(data))
#输出结果为:
#ada_avg tensor([[[[3.5000, 3.7500, 6.7500],
#          [6.0000, 5.0000, 4.0000]],
#
#         [[6.5000, 5.5000, 3.0000],
#          [3.2500, 6.2500, 5.0000]]]])
#avg: tensor([[[[3.5000, 3.7500, 6.7500],
#          [6.0000, 5.0000, 4.0000]],
#
#         [[6.5000, 5.5000, 3.0000],
#          [3.2500, 6.2500, 5.0000]]]])
#可见,当把output_size设置为(2,3),即期望输出2x3尺寸的特征。最后得到的结果和把池化窗口大小设为2x2, 滑动步长设为2x1是一样的效果。

所以呢,当我们希望不管输入尺寸是什么样都要得到同样尺寸的输出结果时,或者懒得自己计算时(?),就可以使用AdaptiveAvgPool2d() 。

  • 6
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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