pytorch maxpool和卷积尺寸问题

最新推荐文章于 2023-03-07 13:41:45 发布
最新推荐文章于 2023-03-07 13:41:45 发布
阅读量8.3k 收藏 11
点赞数 8
分类专栏： pytorch知识宝典
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/jacke121/article/details/104020945
版权
本文探讨了PyTorch中，当输入尺寸为奇数或偶数时，MaxPool操作与卷积可能导致的输出尺寸不一致问题。针对此情况，分析了padding为1和0时的不同效果，并指出即使使用padding也无法确保完全对齐。详细内容可参考链接：https://blog.csdn.net/jacke121/article/details/104020945。
摘要由CSDN通过智能技术生成

如果输入是奇数时，输出尺寸不一致。

如果是偶数，则会一致，但是不是4的倍数，下采样时，又可能会出现不一致的情况。

padding为1时，偶数与maxpool对的上，奇数对不上

padding为0时，奇数与maxpool对的上，偶数对不上

解决：

nn.MaxPool2d(kernel_size=2,stride=2,ceil_mode=True) 与padding为1对的上

为false还是无法对的上

maxpoolpadding为1时，则偶数结果也是 /2+1

out = nn.MaxPool2d(kernel_size=2,stride=2,padding=1)

https://blog.csdn.net/jacke121/article/details/104020945


                

        

        

    

  


        

            

                

                

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

            
            
            
        

    

      

        

            

              
                
                  AI算法网奇
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          

                

                        订阅专栏
                









                



	

		

			

				
					
Pytorch(1)  pytorch和tensorflow里面的maxpool

				
			

			

				

					GZHermit的博客
				

				

					02-02
					
					8348
					
				

			

		

		

			
				
pytorch和tensorflow所含的maxpool，虽然名字相同，但是功能是不一样。之前在用pytorch复现darknet里面的yolo-v2时才发现这个问题。在yolov2的第六个maxpool的时候，kernel为2，stride为1，所以 
按道理来说呢，输出的边size应该比输入的边size少1，但是yolo的设计是输入和输出的shape要相同。所以才发现了这个问题。

不同之处在

			
		

	



                

              
                



	

		

			

				
					
PyTorch——对长度不统一的表格类型数据的一维卷积处理提取特征

				
			

			

				

					qq1803291168
				

				

					10-04
					
					1300
					
				

			

		

		

			
				
Pytorch实现对长度不一致的一维数据的统一卷积处理（Conv1d）

			
		

	



                


  
              

                


	

		

			

				
					
【pytorch】torch.nn.MaxPool2d详解与尺寸计算

				
			

			

				

					sazass的博客
				

				

					07-07
					
					1万+
					
				

			

		

		

			
				
torch.nn.MaxPool2d
功能：
MaxPool 最大池化层，池化层在卷积神经网络中的作用在于特征融合和降维。池化也是一种类似的卷积操作，只是池化层的所有参数都是超参数，是学习不到的。
作用：
maxpooling有局部不变性而且可以提取显著特征的同时降低模型的参数，从而降低模型的过拟合。只提取了显著特征，而舍弃了不显著的信息，是的模型的参数减少了，从而一定程度上可以缓解过拟合的产生。
函数原型：
nn.MaxPool2d(kernel_size, stride, padding=1, dila

			
		

	





	

		

			

				
					
pytorch池化maxpool2D注意事项

				
			

			

				

					怡宝2号
				

				

					09-04
					
					1万+
					
				

			

		

		

			
				
注意： 在搭建网络的时候用carpool2D的时候，让高度和宽度方向不同池化时，用如下：
nn.MaxPool2d(kernel_size=2, stride=(2, 1), padding=(0, 1))
千万不要用： nn.MaxPool2d(kernel_size=2, stride=(2, 1), padding=(0, 0))， 这样在用交叉熵做损失函数的时候，有时候会出现loss为na...

			
		

	



		

			
		



	

		

			

				
					
pytorch(6)——最大池化(pool)

				
			

			

				

					weixin_44674875的博客
				

				

					03-07
					
					1477
					
				

			

		

		

			
				
最大池化

			
		

	





	

		

			

				
					
pytorch卷积池化输出特征图尺寸

				
			

			

				

					qq_45266796的博客
				

				

					03-16
					
					926
					
				

			

		

		

			
				
1.卷积：向下取整数

2.池化
Note：ceil_mode – when True, will use ceil instead of floor to compute the output shape
向上取整和向下取整，默认是向下取整
如果ceil_mode的值为True，那么则用向上取整，否则用向下取整，默认是向下取整

官方文档：
https://pytorch.org/docs/stable/nn.functional.html?highlight=pool#torch.nn.function

			
		

	





	

		

			

				
					
Pytorch maxpool的ceil_mode用法

				
			

			

				

					09-17
				

			

		

		

			
				
### PyTorch MaxPool2d 层中的 Ceil_Mode 参数详解  #### 一、MaxPool2d 概述  在深度学习中，卷积神经网络（Convolutional Neural Networks, CNNs）是一种广泛应用于图像识别与分类的强大工具。在CNN中，池化层...

			
		

	





	

		

			

				
					
pytorch_pytorch_卷积神经网络_

				
			

			

				

					09-29
				

			

		

		

			
				
这个项目展示了如何在PyTorch中搭建和训练一个简单的卷积神经网络，用于解决MNIST手写数字识别问题。通过调整网络结构、参数设置和训练策略，可以进一步提升模型的性能。同时，PyTorch的动态计算图特性使其在模型...

			
		

	





	

		

			

				
					
浅谈pytorch池化maxpool2D注意事项

				
			

			

				

					12-20
				

			

		

		

			
				
在PyTorch中，`MaxPool2d`是卷积神经网络中常用的一种池化操作，用于降低数据的空间维度，从而减少计算量并保持模型的泛化能力。本篇文章将深入探讨`MaxPool2d`的使用，特别是针对在处理高度和宽度方向不同池化时的...

			
		

	





	

		

			

				
					
spconv:PyTorch中的空间稀疏卷积

				
			

			

				

					05-01
				

			

		

		

			
				
 该库提供稀疏卷积/转置，子流形卷积，逆卷积和稀疏maxpool。  2020-5-2，我们在此版本的spconv中添加了ConcatTable，JoinTable，AddTable和Identity函数，以构建ResNet和Unet。 码头工人：  docker pull scrin/dev-...

			
		

	





	

		

			

				
					
卷积层，池化层，padding=‘same‘ ，为什么卷积层图像尺寸不变，池化层后图像尺寸减半呢？

				
			

			

				

					DK_tian的博客
				

				

					11-01
					
					3328
					
				

			

		

		

			
				
先摆一下通用计算公式：

h:图像长度，k:卷积/池化核尺寸，p:填充数，s:移动步长

长度公式：

宽度公式：

对于经过卷积，池化后的图像尺寸都可以按照此公式进行计算。



在实际的使用过程中经常会有此疑惑点：卷积层跟池化层都使用了padding = 'same'，为什么卷积层图像尺寸不变，池化层后图像尺寸减半呢？


print(images.shape)  # 输入图片
conv1 = layers.Conv2D(filters=64,kernel_size=3,strides=1,paddi.

			
		

	





	

		

			

				
					
torch.nn.MaxPool2d

					
热门推荐

				
			

			

				

					云中寻雾的博客
				

				

					07-28
					
					2万+
					
				

			

		

		

			
				
卷积操作中 pool层是比较重要的，是提取重要信息的操作，可以去掉不重要的信息，减少计算开销。




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


如果padding不是0，会在输入的每一边添加相应数目0 比如padding=1，则在每一边分别补0.

参数：


	kernel_size(int or tuple) - .

			
		

	





	

		

			

				
					
【PyTorch】使用 MaxPool 实现图像的膨胀和腐蚀

				
			

			

				

					豆芽菜
				

				

					10-11
					
					379
					
				

			

		

		

			
				
PyTorch使用 MaxPool 实现图像的膨胀和腐蚀

			
		

	





	

		

			

				
					
学习笔记（11):PyTorch框架讲解与应用-Pooling操作和Padding操作

				
			

			

				

					huangbo23的专栏
				

				

					10-13
					
					338
					
				

			

		

		

			
				
1、学会PyTorch基本使用
2、学会深度学习基础算法
3、结合PyTorch完成深度学习入门应用

			
		

	





	

		

			

				
					
PyTorch - Conv2d 和 MaxPool2d

				
			

			

				

					AI + 工程
				

				

					02-18
					
					619
					
				

			

		

		

			
				
conv2d
计算
Conv2d 函数解析
代码示例
MaxPool2d
计算
函数说明
卷积过程动画
Transposed convolution animations
Transposed convolution animations

			
		

	





	

		

			

				
					
MaxPooling里面的padding

				
			

			

				

					子燕若水的博客
				

				

					10-14
					
					3551
					
				

			

		

		

			
				
MaxPooling层的整体目的是减小空间尺寸（高度和宽度）。

因此，padding不像卷积层那样用于防止空间尺寸的减小。

取而代之的是，MaxPooling可能需要padding来处理输入形状不完全适合kernel大小的情况。



举个例子, 下图kernel的输入完全匹配kernel的尺寸,故padding == 0。





下图kernel的输入不匹配kernel的尺寸,所以让padding=0.5,两边乘2之后输入的尺度为6*6,

刚好可以被2*2的kernel所遍历。


...

			
		

	





	

		

			

				
					
池化层max_pool中两种paddding操作

				
			

			

				

					lcczzu的专栏
				

				

					06-12
					
					3491
					
				

			

		

		

			
				
max_pool()中padding参数有两种模式valid和same模式。
Tensorflow的padding和卷积层一样也有padding操作，两种不同的操作输出的结果有区别。

函数原型max_pool(value, ksize, strides, padding, data_format="NHWC", name=None)

这一解释除了tf.nn.max_pool，还适用于tf.nn...

			
		

	





	

		

			

				
					
【TensorFlow】池化层max_pool中两种paddding操作

				
			

			

				

					TomRen
				

				

					11-01
					
					4441
					
				

			

		

		

			
				

max_pool()中padding参数有两种模式valid和same模式。

#source code:https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/ops/nn_ops.py  line:2116
@tf_export("nn.max_pool")
def max_pool(value, ksiz...

			
		

	





	

		

			

				
					
使用Pytorch实现一个卷积神经网络

					
最新发布

				
			

			

				

					07-13
				

			

		

		

			
				
当然可以！以下是一个使用PyTorch实现的简单卷积神经网络的示例代码：

```python
import torch
import torch.nn as nn

# 定义卷积神经网络模型
class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        
        # 定义卷积层
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        
        # 定义池化层
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        
        # 定义全连接层
        self.fc1 = nn.Linear(16 * 14 * 14, 10)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(x.size(0), -1)
        x = self.fc1(x)
        return x

# 创建模型实例
model = ConvNet()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# 输入数据的尺寸为 [batch_size, channels, height, width]
# 例如，MNIST手写数字数据集的输入尺寸为 [batch_size, 1, 28, 28]
# 可以根据自己的数据集进行调整

# 前向传播和反向传播
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()

# 保存和加载模型
torch.save(model.state_dict(), 'model.ckpt')
model.load_state_dict(torch.load('model.ckpt'))
```

这个示例代码演示了如何使用PyTorch构建一个简单的卷积神经网络模型，并使用MNIST手写数字数据集进行训练和推理。你可以根据自己的需要修改模型的层数、卷积核大小、全连接层大小等参数。希望对你有帮助！

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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

	

		

		
			
		
		

		

			
AI算法网奇

			
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