Pytorch----池化层(平均值池化、最大值池化、自适应最大值池化)--入门级小实例（逐行注释）---学习笔记

还是用上次的小实例 ，这次加入三种池化层做练习。

关于池化层的基础概念可以看这里。

我之前以为池化层也叫下采样，但这样说并不严格，只是大家都这么说，我刚知道，其实采样层包含池化层。某种卷积层也叫采样层。

最大值池化层

选择每个小区域的最大值作为特征放到结果矩阵，像下面这样。

maxpool = nn.MaxPool2d(2,stride=2) # 定义池化层
pool_out = maxpool(image_out) # 图像数据放进去做池化操作

平均值池化层

就是从这个区域中算出平均值加入结果集。
像下面这样。

average_pool = nn.AvgPool2d(2,stride=2)
pool_out = average_pool(image_out)

自适应平均值池化层

自适应池化Adaptive Pooling与标准的Max/AvgPooling区别在于，自适应池化Adaptive Pooling会根据输入的参数来控制输出output_size，而标准的Max/AvgPooling是通过kernel_size，stride与padding来计算output_size。

adaverage_pool = nn.AdaptiveAvgPool2d(output_size=(100,100)) # 输出大小的尺寸指定为100*100
pool_out = adaverage_pool(image_out)

代码实现

沿用上一次的代码 直接加入池化层.

## 池化层加入
from copy import deepcopy
from PIL import Image
import torch
import matplotlib.pyplot as plt
import numpy as np
from torch import nn

image = Image.open('../data/cat.png')
image = image.convert("L")
image_np = np.array(image)

h, w = image_np.shape
image_tensor = torch.from_numpy(image_np.reshape(1, 1, h, w)).float()

kersize = 5

ker = torch.ones(kersize, kersize, dtype=torch.float32) * -1
temp = deepcopy(ker)

ker[2,2] = 24
conv2d = torch.nn.Conv2d(1, 2, (kersize, kersize), bias=False)
ker = ker.reshape((1, 1, kersize, kersize))
conv2d.weight.data[0] = ker
conv2d.weight.data[1] = temp


image_out = conv2d(image_tensor)

# 添加池化层----最大值池化
# maxpool = nn.MaxPool2d(2,stride=2)
# pool_out = maxpool(image_out)

# 添加池化层---平均值池化
# average_pool = nn.AvgPool2d(2,stride=2)
# pool_out = average_pool(image_out)

# 添加池化层---自适应平均池化层
adaverage_pool = nn.AdaptiveAvgPool2d(output_size=(100,100)) # 输出大小的尺寸指定为100*100
pool_out = adaverage_pool(image_out)

# print(image_out.data)
# print("=" * 20)
# print(image_out.detach().numpy().shape) # 仅仅将tensor数据转为numpy数据
x = torch.linspace(-6,6,100)  # -6到6分成了一百份 返回张量类型
print(type(x))

print(x)
# print(pool_out.shape)
pool_out_min = pool_out.squeeze()
# print(pool_out_min.shape)
image_out = image_out.squeeze()


# 画图之前看一下数据维度，在压缩之前是四维张量 torch.Size([1, 2, 357, 357])
# 压缩之后是三维张量 torch.Size([2, 357, 357])   这里有两个 (357*357) 一个是普通卷积 一个是边缘提取
# 给到最后plt画图的时候需要numpy类型数据。 所以直接[0] 和[1] 提取出来。

#结果对比  一组是普通卷积和卷积+池化  另一组是边缘检测和边缘检测+池化
plt.figure(figsize=(18,18),frameon=True)
plt.subplot(2,2,1) # 你显示出来的图如何规划，  规划为2行2列 从左到右，从上到下，编号   
plt.imshow(pool_out_min[1].detach(), cmap=plt.cm.gray) # 数据有梯度 使用detach方法提取
plt.axis('off')

plt.subplot(2,2,2) # 加入池化层的普通卷积操作
plt.imshow(image_out[1].detach(), cmap=plt.cm.gray)
plt.axis('off')


plt.subplot(2,2,3)  # 边缘检测
plt.imshow(pool_out_min[0].detach(), cmap=plt.cm.gray)
plt.axis('off')

plt.subplot(2,2,4) # 加入池化层的边缘检测
plt.imshow(image_out[0].detach(), cmap=plt.cm.gray)
plt.axis('off')

plt.show()

最大值池化,

四个图对比 分别是：

普通卷积+池化 --------------- 普通卷积
边缘检测+池化 --------------- 边缘检测

平均值池化

自适应平均值池化