Pytorch，MaxUnpool2d中size操作方法

最新推荐文章于 2024-06-06 14:26:34 发布
最新推荐文章于 2024-06-06 14:26:34 发布
阅读量9.2k 收藏 6
点赞数 3
分类专栏： 深度学习 文章标签： Pythroch 去池化
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/monotonomo/article/details/80462952
版权

    下图所示为最大值的去池化操作，主要包括三个参数，kernel_size: 卷积核大小（一般为3，即3x3的卷积核）, stride:步，还有一个新的size。

    从图中可以看出，它将维度4x4的去池化结果变为5x5。主要通过排序的方法，将4x4里面的元素按行展开为（0,0,0,0,0,6,0,8,0,0,0,0,0,14...），然后按照次序放到5x5的矩阵里面。

monotonomo
关注
  • 3
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Torch 池化操作大全 MaxPool2d MaxUnpool2d AvgPool2d FractionalMaxPool2d LPPool2d AdaptivePool2d dilation详解
Philo的博客
11-13 4995
从torch官网看，针对图片，有这7中池化操作，大概分为最大池化类，平均池化类，杂类最大池化实现有四种方式，MaxPool2d，可以设置k，s，p，但是不能设置输出大小，输出大小是计算好的；FractionalMaxPool2d，可以设置k，和输出大小，单数s和p不能设置；AdaptiveMaxPool2d,只能设置输出大小，其余的都设置不了；LPPool2d，这个纯属特列才可以使用，并且特例中的功能还是MaxPool2d的阉割版；除了LPPool2d,其余逐步自由化，增加了网络设置的随机性；
pytorch学习笔记七：nn网络层——池化层、线性层
Dear_learner的博客
02-16 4632
一、池化层 池化运算：对信号进行“收集” 并“总结”，类似于水池收集水资源，因而得名池化层。 收集：由多变少，图像的尺寸由大变小 总结：最大值/平均值 下面是最大值池化和平均值池化的示意图： 最大值池化就是将滑动窗口中的最大值作为最终的结果；平均值池化是将滑动窗口的平均值作为最终结果。下面看一下pytorch中提供最大值和平均值池化的函数 1、nn.Maxpool2d nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, retur
神经网络 torch.nn---Pooling layers(nn.MaxPool2d)
最新发布
qq_45452617的博客
06-06 1186
intortuple) - max pooling的窗口大小。用于设置一个取最大值的窗口，如设置为3，那么会生成一个3×3的窗口stride(intortupleoptional) - 默认值为kernel_size，步幅，和卷积层中的stride一样padding(intortupleoptional) - 填充图像，默认填充的值为0dilation(intortupleoptional) – 一个控制窗口中元素步幅的参数。空洞卷积，即卷积核之间的距离。
Unpooling上池化/上采样(nn.MaxUnpool2d) (Nearest Neighbor Unpooling & Bed of Nails Unpooling)(upsampling)
hxxjxw的博客
02-13 4418
Unpooling作为一种上采样的方法，与pooling看起来像是相反的操作，我们有三种方法，第一种是Nearest Neighbor，就是把相同的数据复制４个达到扩大四倍的效果，第二种是”Bed of Nails”，把数据防止在对应位置的左上角，然后其余的地方补0，如下图所示。 第三种方法是Max Unpooling，对于一部分网络模型来讲，上采样和下采样的结构往往是对称的，我们可以在下采样做Max Pooling的时候记录下来最大值所在的位置，当做上采样的时候把最大值还原到其对应的位置，然后...
PyTorch 的 Pooling 和 UnPooling函数中的 indices 参数：nn.MaxPool2d/nn.MaxUnpool2d、F.max_pool2d/F.max_unpool2d
qq_43799400的博客
02-12 3702
这篇博文主要介绍 PyTorch 的 MaxPooling 和 MAxUnPooling 函数中涉及到的 indices 参数。indices 是“索引”的意思，对于一些结构对称的网络模型，上采样和下采样的结构往往是对称的，我们可以在下采样做 MaxPooling 的时候记录下来最大值所在的位置，当做上采样的时候把最大值还原到其对应的位置，然后其余的位置补 0。indices 参数的作用就是保存 MaxPooling 操作时最大值位置的索引。
pytorch: MaxUnpool2d 与 Upsampling
wzg2016的博客
01-05 8005
Upsampling:上采样，被nn.functional.interpolate代替         nn.Upsampling is deprecated. Use nn.functional.interpolate instead.   #-*-coding:utf-8-*- import torch import torch.nn as nn import numpy as np ...
关于Pytorch MaxUnpool2d中size操作方式
09-18
在PyTorch中，MaxUnpool2d是一个用于反向最大池化的操作，它是MaxPool2d的逆过程。在卷积神经网络（CNNs）中，池化层通常用于减少数据的空间尺寸，提高计算效率并引入一定程度的平移不变性。而MaxUnpool2d则用于在...
pytorch AvgPool2d函数使用详解
12-23
我就废话不多说了，直接上代码吧！ import torch import torch.nn as nn import torch.nn.functional as F from torch.autograd import Variable import numpy as np input = Variable(torch.Tensor([[[1, 3, 3, 4,...
基于pytorch的2d机械臂强化学习项目
06-26
基于pytorch的2d机械臂强化学习项目。最近学习莫烦大神的强化学习课程： RL-build-arm-from-scratch1.但是原版提供强化学习代码的基于tensorflow的代码，由于本人相对喜欢pytorch编程，这里提供基于pytorch方案。原...
深度学习笔记（一）：卷积层+池化层+激活函数+全连接层
不积跬步，无以至千里！
03-22 4万+
本博客会持续更新，后面会加入各个部分的代码实现。 前沿 在图像分类以及目标定位等任务中，卷积神经网络已经得到了充分地运用。而对于常见的卷积神经网络，我们经常可以看到卷积层、池化层、激活函数、全连接层的身影。直到现在，卷积层+池化层+激活函数+全连接层的结构仍然很实用，似乎已经成为搭建卷积神经网络的基本结构。下面我将从这四个方面分别介绍。 注：通常，池化层和激活函数又归类于卷积层。这里为了讲解方便，...
torch.nn.MaxPool2d详解
热门推荐
Medlen
11-22 8万+
注意：这里展示的是本篇博文写时的版本最新的实现，但是后续会代码可能会迭代更新，建议对照官方文档进行学习。 先来看源码： # 这个类是是许多池化类的基类，这里有必要了解一下 class _MaxPoolNd(Module): __constants__ = ['kernel_size', 'stride', 'padding', 'dilation', 'return_indices', 'ceil_mode'] return_indices: boo
MaxPool2d详解--在数组和图像中的应用
Philo的博客
06-29 5447
选择卷积核覆盖时的最大值，ceil_mode控制卷积核超出原始数据后是否进行保留函数： 参数要求 代码： 结果： 代码： 结果： 代码： 结果：
【PyTorch】nn.MaxPool2d函数详解
See_Star的博客
10-28 1万+
nn.MaxPool2d函数详解
卷积神经网络CNN学习笔记-MaxPool2D函数解析
weixin_46028606的博客
10-21 786
卷积神经网络CNN学习笔记-MaxPool2D函数解析
nn.MaxPool2d()函数的使用，以及图像经过pool后的输出尺寸计算
Ka_kaen的博客
09-10 3859
最大池化通常用于卷积神经网络中，以逐渐减小特征图的尺寸，同时保留重要的特征信息。输出尺寸 = floor((6 - 2) / 2) + 1 = floor(4 / 2) + 1 = 2 + 1 = 3。假设有一个输入特征图，尺寸为 6x6（高度为 6，宽度为 6），并且要应用 2x2 的最大池化窗口，步幅为 2x2。input_data = torch.randn(1, 1, 4, 4) # 1个样本，1个通道，4x4的特征图。因此，经过这个最大池化操作后，输出的特征图尺寸为 3x3。
pytorch——MaxPool2d（最大池化）
xinxin的博客
08-09 1222
ceil_mode：若该参数取值为True，则在计算输出图像形状时会使用ceil模式而不是floor模式。最大池化操作的过程是，在匹配后的框中寻找最大的数。假设stride取值为默认值，即池化核的尺寸大小，则池化核需要移动三个步长。dilation：一个参数，用于控制窗口中元素的步幅。return_indices：该参数不经常使用，不作过多了解。ceil_mode = True时的代码如下所示。stride：池化核的步长，默认值为池化核的尺寸。kernel_size：池化核的尺寸大小。
神经网络—最大池化的使用MaxPool2d（）
jbkjhji的博客
11-09 1559
最大池化的特征：保留数据特征但减少数据量
Pytorch ，Conv2D、MaxPool2D和ConvTranspose2d
weixin_41620490的博客
04-18 1367
1.MaxPool2d 假设现在有一个4×4的图片，以及一个3 ×3的卷积核，在没有padding的情况下，逐列逐行扫描, 即步长，stride = 1。扫描过程如下，就是取每一个核中的最大值 代码实现： 假设batch = 2，channel=1， 即有两个4×4的单色图 x = torch.randn(2,1,4,4) print(x) 这里即随机的初始化两个 4*4的单色图 tensor...
常见的几种池化操作：MaxPool2d/AdaptiveMaxPool2d/AvgPool2d/AdaptiveAvgPool2d...（Pytorch）
NorthSmile的博客
09-01 9078
case3：output_size=（H_out,None）或output_size=（None,W_out），此时指定为None的维度与输入中保持一致，既output_size=（H_out,None）时W_out=W_in；case3：output_size=（H_out,None）或output_size=（None,W_out），此时指定为None的维度与输入中保持一致，既output_size=（H_out,None）时W_out=W_in；因为执行的是最大池化操作，所以在填充时使用负无穷。
pytorch conv2d的使用方法
03-31
PyTorch的conv2d函数用于定义卷积层。其基本用法如下： ```python import torch.nn as nn # 定义卷积层 conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding) # 输入数据 x 经过卷积层 ...

“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
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