1.最大池化的特征:保留数据特征但减少数据量
2.MaxPool2d()形参说明:
kernel_size:要接受最大值的窗口大小
stride:移动的步长。默认大小是池化核的长度
padding:填充的大小
ceil_mode:为True时,池化核没有完全覆盖图像,找一个最大值。为False丢弃。
3.图像演示【找最大值】
1.结果为最大值2
下一次移动,如果ceil_mode:为True。结果是3。如果ceil_mode:为True。结果舍弃
最后结果:
【代码实现1】
import torch
from torch import nn
from torch.nn import MaxPool2d
# 输入图像
input = torch.tensor([[1, 2, 0, 3, 1],
[0, 1, 2, 3, 1],
[1, 2, 1, 0, 0],
[5, 2, 3, 1, 1],
[2, 1, 0, 1, 1],
], dtype=torch.float32)
# 转换
input = torch.reshape(input, (-1, 1, 5, 5))
# 创建神经网络
class net(nn.Module):
def __init__(self):
super(net, self).__init__()
self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)
def forward(self,x):
return self.maxpool1(x)
wang = net()
output = wang(input)
print(output)
【代码实现2】
import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
# 数据集
from torch.utils.tensorboard import SummaryWriter
dataset = torchvision.datasets.CIFAR10(root="./dataset",
train=False, transform=torchvision.transforms.ToTensor(),
download=True)
# 加载数据集
dataloader = DataLoader(dataset, batch_size=64)
# 创建神经网络
class net(nn.Module):
def __init__(self):
super(net, self).__init__()
self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)
def forward(self, x):
return self.maxpool1(x)
wang = net()
write = SummaryWriter("r10")
i = 0
for data in dataloader:
img, target = data
output = wang(img)
# 输入
write.add_images("输入", img, i)
# 输出
write.add_images("输出", output, i)
i = i + 1
write.close()
结果: