1.理论
卷积对于位置太过于敏感,
最大池化层
池化层的作用
超参数
常用的最大池化层和平均池化层
总结
由2点,通常池化层是在卷积层之后进行的。
代码
torch.range和torch.arange区别
- https://blog.csdn.net/m0_37586991/article/details/88830026
- torch.range:This function is deprecated and will be removed in a future release
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
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))
pool2d(X, (2, 2), 'avg')
#填充和步幅
X = torch.arange(16, dtype=torch.float32).reshape((1, 1, 4, 4))
X
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
#多个通道
X = torch.cat((X, X + 1), 1)
X
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
X = torch.cat((X, X + 1), 1)就不会新增维度
QA
1.池化层为什么越来越少用?
池化层的作用大致可分为两种:1.减少卷积对位置过于敏感的缺点,2.通过stride减少数据量的运算
针对1->在数据输入时就可以进行各种图像的操作,尽量消除位置敏感的缺点。针对2->可以使用stride卷积代替池化层了
2.池化的窗口重叠有没有影响?
目前来看,池化的窗口重叠没有什么影响
1.最好是一次性创建完矩阵,或者X[:]这种。否则太低效。
2.可以用python的list 的list这种操作,最后转成tensor格式