【笔记】上、下采样：最大池化和平均池化分别取池化窗口中输入元素的最大值和平均值作为输出；池化层的一个主要作用是缓解卷积层对位置的过度敏感性；可以指定池化层的填充和步幅；池化层的输出通道数跟输入通道数

 

# -*- coding: UTF-8 -*-

import torch
import torch.nn as nn

# 先定义x
x = torch.rand(1, 16, 28, 28)
# 括号内第一个参数是：窗口的大小，第二个是移动的步长距离
layer = nn.MaxPool2d(2, stride=2)
out1 = layer(x)
print(out1.size())
"""

输出结果：
torch.Size([1, 16, 14, 14])
"""

# -*- coding: UTF-8 -*-

import torch
import torch.nn as nn

# 先定义x
x = torch.rand(1, 16, 28, 28)
# 括号内第一个参数是：窗口的大小，第二个是移动的步长距离
layer = nn.AvgPool2d(2, stride=2)
# 进行Avg pooling的计算
out2 = layer(x)
print(out2.size())
"""
输出结果：
torch.Size([1, 16, 14, 14])
"""

# -*- coding: UTF-8 -*-

import torch
import torch.nn.functional as F

# 先定义x
x = torch.rand(1, 16, 28, 28)
# 上采样的API为: .interpolate
# 括号内参数为输入的tensor、放大的倍率、模式为紧邻差值法
out = F.interpolate(x, scale_factor=2, mode='nearest')
print(out.size())
"""
输出结果：
torch.Size([1, 16, 56, 56])
"""

 

# -*- coding: UTF-8 -*-

import torch
import torch.nn as nn

x = torch.rand(1, 16, 28, 28)
layer = nn.ReLU(inplace=True)
out = layer(x)
print(out.size())
"""
在进行ReLU操作，进行inplace操作后，较小值会变为零，但数据的size不会发生改变。
通过这种数据会节省一部分的数据存储量。
输出结果：
torch.Size([1, 16, 28, 28])
"""