Pytorch官方文档（十）翻译版本——池化

torch.nn.MaxPool2d

作用：

• 对由多个输入平面组成的输入Tensor应用2维 max池化，就是说在一个卷积核内部，只取最大的那个数作为输出结果。
• 在最简单的情况下，输入大小为（N, C, H, W）、输出为（N, C, Hout, Wout）并且kernel_size为（KH, KW）的层可以被精确地描述为：
  
  参数：

1. kernel_size，应用maxpool操作的窗口大小
2. stride，窗口的步长，默认值时kernel_size，步长的意思是窗口每次移动的距离。
3. padding，两边要添加的隐式零填充。
4. dilation，控制窗口元素步长的参数。
5. return_indices，如果True，将沿着输入返回最大的下标。
6. ceil_mode，True，将会使用ceil代替floor完成计算。

例子：

m = nn.MaxPool2d(3, stride=2)

input = torch.randn(20, 16, 11, 11)
output = m(input)

print(output.size())

# 输出结果
torch.Size([20, 16, 5, 5])
# 可以看到  这个就是大家最了解的最大池化了

上图为官方文档中给出的公式，鉴于dilation基本为1，所以公式变形为：Hout = [(Hin + 2*p - kernel_size) / stride ]+ 1

torch.nn.AvgPool2d

• 名叫平均池化，对输入2维Tensor做池化，与上面的最大池化差不多，只有计算方式有不同。
• 平均池化的计算方式为，在一个卷积核内，将所有数计算平均值作为输出的结果。

torch.nn.LPPool2d

作用：

• 定义了一个新的池化函数，函数表达式如下：
  
• 当 p=∞ 时，此函数与最大池化功能相同；当 p=1时，此函数相当于求和池化。
• 可以看到，这样的选取更加自由。

参数：

1. kernel_size， 窗口的大小。
2. stride，步长。
3. ceil_mode，True，将会使用ceil代替floor完成计算。

例子：

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool2d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool2d(1.2, (3, 2), stride=(2, 1)) # 窗口内所有数1.2次幂求和开1.2次方
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)

# 可以实现不同计算方式的池化