汇聚层
通常当我们处理图像时,我们希望逐渐降低隐藏表示的空间分辨率、聚集信息,这样随着我们在神经网络层中层叠的上升,每个神经元对其敏感的感受野(输入)就越大
而我们的机器学习任务通常会跟全局图像的问题有关(例如,“图像是否包含一只猫呢?”),所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息,生成越来越粗糙的映射,最终实现学习全局表示的目标,同时将卷积图层的所有优势保留在中间层
此外,当检测较底层的特征时,我们通常希望这些特征保持某种程度上的平移不变性。例如,若我们拍摄黑白之间轮廓清晰的图像X,并将整个图像向右移动一个像素,即Z[i,j] = X[i,j+1],则新图像Z的输出可能大不相同。而在现实中,随着拍摄角度的移动,任何物体几乎不可能发生在同一像素上。即使用三脚架拍摄一个静止的物体,由于快门的移动而引起的相加振动,可能会使所有物体左右移动一个像素(除了高端相机配备了特殊功能来解决这个问题)
本届将介绍汇聚层(pooling),它具有双重目的:降低卷积层对位置的敏感性,同时降低对空间采样表示的敏感性
1 - 最大汇聚层和平均汇聚层
import torch
from torch import nn
from d2l import torch as d2l
def pool2d(X,pool_size,mode='max'):
p_h,p_w = pool_size
Y = torch.zeros((X.shape[0] - p_h + 1,X.shape[1] - p_w + 1))
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
if mode == 'max':
Y[i,j] = X[i: i + p_h,j:j + p_w].max()
elif mode == 'avg':
Y[i,j] = X[i:i + p_h,j:j + p_w].mean()
return Y
我们可以构建图6.5.1中的输入张量X,验证二维最大汇聚层的输出
X = torch.tensor([[0.0,1.0,2.0],[3.0,4.0,5.0],[6.0,7.0,8.0]])
pool2d(X,(2,2))
tensor([[4., 5.],
[7., 8.]])
此外,我们还可以验证平均汇聚层
pool2d(X,(2,2),'avg')
tensor([[2., 3.],
[5., 6.]])
2 - 填充和步幅
与卷积层一样,汇聚层也可以改变输出形状。和以前一样,我们可以通过填充和步幅以获得所需的输出形状。
下面,我们用深度学习框架中内置的二维最大汇聚层,来演示汇聚层中填充和步幅的使用。我们首先构造了一个输入张量X,它有四个维度,其中样本数和通道数都是1
X = torch.arange(16,dtype=torch.float32).reshape((1,1,4,4))
X
tensor([[[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.]]]])
默认情况下,深度学习框架中的步幅与汇聚窗口的大小相同。因此,若我们使用形状为(3,3)的汇聚窗口,那么默认情况下,我们得到的步幅形状为(3,3)
pool2d = nn.MaxPool2d(3)
pool2d(X)
tensor([[[[10.]]]])
填充和步幅可以手动设定
pool2d = nn.MaxPool2d(3,padding=1,stride=2)
pool2d(X)
tensor([[[[ 5., 7.],
[13., 15.]]]])
当然,我们可以设定一个任意大小的矩形汇聚窗口,并分别设定填充和步幅的高度和宽度
pool2d = nn.MaxPool2d((2,3),stride=(2,3),padding=(0,1))
pool2d(X)
tensor([[[[ 5., 7.],
[13., 15.]]]])
3 - 多个通道
在处理多通道输入数据时,汇聚层在每个输入通道上单独运算,而不是像卷积层一样在通道上对输入进行汇总。这意味着汇聚层的输出通道数与输入通道数相同。下面,我们将在通道维度上连结张量 X 和 X + 1,以构建具有2个通道的输入
X = torch.cat((X,X + 1),1)
X
tensor([[[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.]],
[[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.],
[13., 14., 15., 16.]]]])
如下所示,汇聚后输出通道的数量仍然是2
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
tensor([[[[ 5., 7.],
[13., 15.]],
[[ 6., 8.],
[14., 16.]]]])
4 - 小结
- 对于给定输入元素,最大汇聚层会输出该窗口内的最大值,平均汇聚层会输出该窗口内的平均值
- 汇聚层的主要优点之一是减轻卷积层对位置的过度敏感
- 我们可以直到汇聚层的填充和步幅
- 使用最大汇聚层已经大于1的步幅,可减少空间维度(如高度和宽度)
- 汇聚层的输出通道数与输入通道数相同