池化层操作之nn.MaxPool2d的使用

池化层的作用是为了缩减参数。nn.MaxPool2d的使用比较简单,其中参数ceil_model为False表示当输入的一部分小于池化核时则舍弃。
# 池化的作用是为了缩减参数
import torch.nn as nn
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter


class My_nn(nn.Module):
    def __init__(self):
        super(My_nn, self).__init__()
        self.maxpool = nn.MaxPool2d(kernel_size=3, ceil_mode=False)  # ceil_model为False表示当输入的一部分小于池化核时舍弃

    def forward(self, input):
        output = self.maxpool(input)
        return output


if __name__ == '__main__':
    # 采用这个池化神经网络对CIFAR10的图片进行处理
    # 为了减少数据集个数,对测试集进行处理
    data_set = torchvision.datasets.CIFAR10('dataset', train=False, transform=torchvision.transforms.ToTensor(),
                                            download=True)
    data_loader = DataLoader(data_set, batch_size=64, drop_last=True)

    # 初始化类
    my_nn = My_nn()

    writer = SummaryWriter('nn_maxpool')
    step = 0
    for data in data_loader:
        imgs, targets = data
        writer.add_images('input', imgs, step)
        out_imgs = my_nn(imgs)
        writer.add_images('output', out_imgs, step)
        step += 1

    writer.close()

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
torch.nn.MaxPool2d和torch.nn.AdaptiveMaxPool2d都是PyTorch中的池化层,但是它们有一些不同之处。其中,nn.MaxPool2d是一个传统的池化层,它需要指定池化窗口的大小和步长,然后通过在输入上滑动池化窗口并在每个窗口上取最大值来执行池化操作。这意味着在使用nn.MaxPool2d时,输出的形状是固定的,由输入形状、池化窗口大小和步长共同决定。 而nn.AdaptiveMaxPool2d是自适应池化层,它只需要指定输出大小,而不是池化窗口大小。nn.AdaptiveMaxPool2d会自动计算池化窗口大小和步长,并在每个窗口上执行池化操作,以产生所需的输出大小。这意味着nn.AdaptiveMaxPool2d可以处理任意形状的输入,并生成任意形状的输出。 以下是一个使用nn.MaxPool2d的例子: ```python import torch.nn as nn # 定义一个 3x3 的池化层窗口,步长为2 max_pool = nn.MaxPool2d(kernel_size=3, stride=2) # 定义一个输入,大小为 [batch_size, channel, height, width] input_tensor = torch.randn(1, 3, 10, 10) # 对输入进行池化操作 output_tensor = max_pool(input_tensor) # 打印输出的形状 print(output_tensor.shape) ``` 输出为:torch.Size([1, 3, 4, 4]) 以下是一个使用nn.AdaptiveMaxPool2d的例子: ```python import torch.nn as nn # 定义一个输出大小为 [5, 5] 的自适应池化层 adaptive_max_pool = nn.AdaptiveMaxPool2d(output_size=(5, 5)) # 定义一个输入,大小为 [batch_size, channel, height, width] input_tensor = torch.randn(1, 3, 10, 10) # 对输入进行自适应池化操作 output_tensor = adaptive_max_pool(input_tensor) # 打印输出的形状 print(output_tensor.shape) ``` 输出为:torch.Size([1, 3, 5, 5])

“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