Pytorch 之torch.nn初探第5关：池化--Pooling Layers

最新推荐文章于 2023-08-15 12:25:30 发布
最新推荐文章于 2023-08-15 12:25:30 发布
阅读量1.2k 收藏
点赞数
分类专栏： educoder人工智能答案 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/hacker_zrq/article/details/127166931
版权

本关将介绍神经网络的另外一个特殊的定义——池化层。在神经网络中，池化层往往跟在卷积层后面。通过平均池化或者最大池化的方法将之前卷基层得到的特征图做一个聚合统计，从而达到压缩数据量的目的。

任务描述

本关任务：

本关提供了一个Variable 类型的变量x，要求按照条件创建一个Conv2d变量conv，一个MaxPool2d变量pool，对x应用卷积和最大池化操作并赋值给变量outpout_pool，并输出outpout_pool 的大小。

相关知识

Pytorch 中池化分为两种：

  • 最大池化MaxPool
  • 平均池化 AvgPool

MaxPool

MaxPool 描述
MaxPool1d 对输入信号应用1维最大池化操作
MaxPool2d 对输入信号应用2维最大池化操作
MaxPool3d 对输入信号应用3维最大池化操作

下面以MaxPool1d做详细介绍，2维和3维只是在1维的基础上计算了长宽、长宽高的池化。

函数定义：

 

    
 
  1. torch.nn.MaxPool1d(kernel_size, stride
    2. 


                

        

        

    




        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  ad_m1n
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                      0
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    0
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
                
  • 
                  
                    打赏
                    
                  
                  
    打赏
    
                
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          

                

                        订阅专栏
                










                



	

		

			

				
					
Pytorch 之torch.nn初探--第1关：torch.nn.Module

				
			

			

				

					Martin-share的博客
				

				

					01-17
					
					2287
					
				

			

		

		

			
				
Pytorch 之torch.nn初探--第1关：torch.nn.Module

			
		

	



                

              
                



	

		

			

				
					
Pytorch 之torch.nn初探第3关：非线性--Nonlinearities

				
			

			

				

					admin的博客
				

				

					10-05
					
					1063
					
				

			

		

		

			
				
在实际应用中，非线性模型往往比线性模型更加适用，而torch.nn中也提供了许多非线性模型供大家使用。让我们一起来看一看吧！

			
		

	



                


  
              

                


	

		

			

				
					
PyTorch基础教程（五）torch.nn 模块（1）

					
最新发布

				
			

			

				

					旗狼
				

				

					08-15
					
					734
					
				

			

		

		

			
				
深度学习工具之PyTorch，通过学习PyTorch可以提高神经网络模型搭建效率，更好的构建出您想要的模型。通过学习本章内容，您可以学习到有关 PyTorch 中模块的简介

			
		

	





	

		

			

				
					
PyTorch学习之池化层（POOLING LAYERS）

					
热门推荐

				
			

			

				

					mingo_敏
				

				

					05-03
					
					3万+
					
				

			

		

		

			
				
1 MaxPool
torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=...

			
		

	



		

			
		



	

		

			

				
					
torch学习 (十九)：池化层

				
			

			

				

					因吉的博客
				

				

					12-18
					
					1444
					
				

			

		

		

			
				
文章目录
引入
1 二维最大池化层和平均池化层
2 填充和步幅
3 多通道
引入
  池化层 (pooling)的提出是为了缓解卷积层对位置的过度敏感性^{[1]} 
[1]
 。例如在实际图像中，感兴趣的物体不会总出现在固定位置：即使连续拍摄同一个物体，也可能出现像素位置上的偏移。这将导致同一个边缘对应的输出可能出现在卷积输出中的不同位置，从而对后面的模式识别造成不便。

1 二维最大池化层和平均池化层
  池化层所对应的固定形状的窗口称为池化窗口，与互相关运算不同：池化层直接计算池化窗口内元素的最大值或

			
		

	





	

		

			

				
					
PyTorch里面的torch.nn.Parameter()详解

				
			

			

				

					09-18
				

			

		

		

			
				
在PyTorch中，`torch.nn.Parameter()`是一个非常关键的类，它用于创建可学习的参数。这些参数通常是神经网络模型中的权重和偏置，它们在训练过程中会被优化算法更新以最小化损失函数。本文将深入探讨`torch.nn....

			
		

	





	

		

			

				
					
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学习笔记（二十二）：Pooling

				
			

			

				

					逐梦er的博客
				

				

					08-04
					
					4741
					
				

			

		

		

			
				
文章目录1. 二维最大池化层和平均池化层2. 填充和步幅3. 多通道小结
实际图像里，我们感兴趣的物体不会总出现在固定位置：即使我们连续拍摄同一个物体也极有可能出现像素位置上的偏移。这会导致同一个边缘对应的输出可能出现在卷积输出Y中的不同位置，进而对后面的模式识别造成不便。
在本节中我们介绍池化（pooling）层，它的提出是为了缓解卷积层对位置的过度敏感性。
1. 二维最大池化层和平均池化层
同卷积层一样，池化层每次对输入数据的一个固定形状窗口（又称池化窗口）中的元素计算输出。不同于卷积层里计算输入和核的

			
		

	





	

		

			

				
					
Pytorch 之torch.nn初探第4关：卷积--Convolution Layers

				
			

			

				

					admin的博客
				

				

					10-05
					
					748
					
				

			

		

		

			
				
经过前几节的的学习，想必大家对torch.nn有了初步的了解。接下来，向大家介绍神经网络中的一种特殊的定义——卷积层！

			
		

	





	

		

			

				
					
Python-Pytorch实现MaxPoolingLoss

				
			

			

				

					08-11
				

			

		

		

			
				
Pytorch实现MaxPoolingLoss

			
		

	





	

		

			

				
					
PyTorch学习笔记（二）——torch.nn解析

				
			

			

				

					Candyerer的博客
				

				

					01-27
					
					2667
					
				

			

		

		

			
				
PyTorch提供了方便漂亮的类和模块，来帮助我们创建和训练神经网络，例如 torch.nn, torch.optim 等。
为了更好地理解这些模块的功能和原理，我们在手动搭建的神经网络上，逐步添加这些模块，以显示每部分模块的功能，以及每部分是如何让代码更加灵活简洁的。
1、手动搭建神经网络
使用MNIST数据集，该数据集共有50000个图片，每一图片大小为2828，储存在长度为2828=784的扁平行。
#定义权重和偏执值,需要requires_grad=True，以便自动计算梯度，完成反馈
weight

			
		

	





	

		

			

				
					
pytorch中 torch.nn的介绍

				
			

			

				

					weixin_44587732的博客
				

				

					11-01
					
					1万+
					
				

			

		

		

			
				
pytorch中 torch.nn的介绍
一、torch.nn是什么？
torch.nn是pytorch中自带的一个函数库，里面包含了神经网络中使用的一些常用函数，如具有可学习参数的nn.Conv2d(),nn.Linear()和不具有可学习的参数(如ReLU，pool，DropOut等)，这些函数可以放在构造函数中，也可以不放。
二、torch.nn的应用。
通常引入的时候写成：
import torch.nn
import torch.nn.functional as F
这里我们把函数写在了构造函数中

			
		

	





	

		

			

				
					
PyTorch学习笔记之torch.nn

				
			

			

				

					格物致知的专栏 [音视频编解码 网络协议 计算机视觉 计算机图形学 图像理解 语音识别 机器学习 模拟电路 传感器]
				

				

					04-14
					
					582
					
				

			

		

		

			
				
这里主要概括性地讲解一下torch.nn中的几个函数的含义。

nn.Flatten() - 顾名思义，就是将张量的几个维度变成一维的，有点类似于matlab中的reshape函数。该函数一般后跟一个nn.Linear()即全连接层。

nn.Linear() - 用于构造一个全连接层，第三个参数bias默认为True，表示会学习一个附加的偏置。

nn.Conv2d() - 表示2维卷积，参数依次为输入通道，输出通道，卷积核尺寸，步长，填充。卷积前后会发生通道和特征尺度的改变。

nn.ReLU() - 

			
		

	





	

		

			

				
					
Pytorch 之torch.nn初探 第1关：torch.nn.Module

				
			

			

				

					admin的博客
				

				

					10-04
					
					2166
					
				

			

		

		

			
				
神经网络可以使用torch.nn包构建。nn.Linearnn.Conv1dnn.Conv2dnn.Conv3dnn.Sigmoidnn.Tanhnn.ReLUnn.LSTMnn.GRUnn.Dropoutnn.MSELossnn.NLLLoss这些类的实例将具有一个内置的__call__函数，可通过图层运行输入。

			
		

	





	

		

			

				
					
pytorch自然语言处理之Pooling层的句子分类

				
			

			

				

					zenRRan的博客
				

				

					03-06
					
					2106
					
				

			

		

		

			
				
Pooling作为最简单的层其实也可以作为句子分类任务。Pooling有很多种，max_Pooling,avg_Pooling,min_Pooling等。常用的还是max_Pooling:取同维度的最大值。

先看看流程图：



这里的Linear Layer后面应该经过一个Softmax的，可是由于交叉熵cross_entropy里隐含有Softmax，这里我就没有画了。

第一步搭建网络

...

			
		

	





	

		

			

				
					
[开发技巧]·AdaptivePooling与Max/AvgPooling相互转换

				
			

			

				

					简明AI工作室
				

				

					04-22
					
					1万+
					
				

			

		

		

			
				
[开发技巧]·AdaptivePooling与Max/AvgPooling相互转换


个人网站-->http://www.yansongsong.cn


1.问题描述

自适应池化Adaptive Pooling是PyTorch的一种池化层，根据1D，2D，3D以及Max与Avg可分为六种形式。

自适应池化Adaptive Pooling与标准的Max/AvgPooling区别在于，...

			
		

	





	

		

			

				
					
【PyTorch学习笔记】18：pooling,up-sample,ReLU

				
			

			

				

					LauZyHou的笔记
				

				

					04-29
					
					2995
					
				

			

		

		

			
				
pooling池化是下采样（down-sample）的一种手段，让feature map减小；而up-sample则是上采样，实际上做了放大图像的操作。

在CNN中，基本的单元是一个Conv2d，后面配上[Batch Norm, pooling, ReLU]，后面三个的顺序不一定。

pooling
图像的down-sample
在图像中要缩小图像的尺寸，常用的是隔行采样的方式，例如纵向每隔一行...

			
		

	





	

		

			

				
					
pytorch入门 Convolution & Pooling

				
			

			

				

					JJChowLoT的博客
				

				

					07-19
					
					554
					
				

			

		

		

			
				
知识点
1、读取图像，灰度图像
2、显示图像
3、定义卷积层
4、nn.Conv2d参数
5、定义kernel
6、修改nn.Conv2d的weight
7、输出图像转numpy()
8、定义池化层
对于Convolution ，一般用torch.nn.Conv2d定义（torch.nn.functional.conv2d()用的比较少)
import numpy as np
import tor...

			
		

	





	

		

			

				
					
import torch.nn as nn import torch.nn.functional as F import torch.optim as optim

				
			

			

				

					04-03
				

			

		

		

			
				
torch.nn.functional module provides various functions that can be used inside the neural network layers. For example, it provides functions for activation functions like ReLU, sigmoid, etc., pooling ...

			
		

	



              



  
“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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
ad_m1n

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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