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()