AdaptiveAvgPool2d（x）用法

最新推荐文章于 2024-09-28 10:39:10 发布
最新推荐文章于 2024-09-28 10:39:10 发布
阅读量2.6k 收藏 3
点赞数 1
分类专栏： 超分辨率
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38897423/article/details/105405990
版权

AdaptiveAvgPool2d（x）
自适应平均池化
只需给出输出的featere_map的size x
自动计算kenerl和stride

用技术仰望星空
关注
专栏目录
pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解
12-23
如题：只需要给定输出特征图的大小就好，其中通道数前后不发生变化。具体如下： AdaptiveAvgPool2d CLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE] Applies a 2D adaptive average pooling over an input signal composed of several input planes. The output is of size H x W, for any input size. The number of output features is equal to the nu
Pytorch学习之AdaptiveAvgPool2d函数
qq_46396470的博客
07-04 1299
是 PyTorch 中用于实现自适应平均池化（Adaptive Average Pooling）的模块。该层将输入特征图的高度和宽度调整到指定的输出尺寸，通过对输入特征图的不同区域取平均值来生成输出特征图。与固定大小的池化层（如AvgPool2d）不同，自适应池化可以处理任意大小的输入特征图，并将其调整为固定的输出尺寸。
常见组件详解（六）：torch.nn.AvgPool2d()、torch.nn.AdaptiveAvgPool2d()
最新发布
悟兰因的博客
09-28 1004
用于在由多个平面组成的输入信号上应用二维平均池化操作，输入尺寸为NCinHWNCin​HW，输出尺寸为NCinHoutWoutNCin​Hout​Wout​。输出特征图形状为：其中，HinWinHin​Win​分别表输入图像的高度与宽度，默认向下取整。参数名功能池化核大小，整数或元组。stride步幅，默认等于kernel_size，整数或元组。padding填充，整数或元组。
[函数]nn.AdaptiveAvgPool2d
程序客栈
04-05 735
class torch.nn.AdaptiveAvgPool2d(output_size) 对由多个输入平面组成的输入信号应用二维自适应平均池 （2D adaptive average pooling ）。 对于任何输入大小，输出的大小都是。 输出特征图的数量等于输入特征图的数量。 ...
PyTorch库学习之nn.AdaptiveAvgPool2d函数
qq_46396470的博客
08-11 609
是 PyTorch 中用于实现自适应平均池化操作的模块。这个模块将输入特征图调整到指定的输出尺寸，通过对特征图中的区域进行平均池化操作来实现。与固定大小的池化操作不同，自适应平均池化可以动态调整特征图的尺寸，使得输出具有指定的高度和宽度。
【三维点云分割】 adaptive_avg_pool2d解释示例
controlourself的博客
04-27 1311
与传统的池化方法不同，自适应平均池化（Adaptive Average Pooling）能够根据输入的形状自动调整输出的形状。具体而言，它通过指定期望的输出特征图大小，自动计算需要做多少步采样，并对每个采样区域上的特征值取平均值作为输出的特征值。因此，adaptive_avg_pool2d可以方便地处理各种输入大小到同样大小的输出大小的问题。常规的池化操作如最大池化、平均池化等都是固定的池化核大小，这样会导致在不同输入大小的情况下，最终得到的特征图的大小也会不同。
class DyCAConv(nn.Module): def __init__(self, inp, oup, kernel_size, stride, reduction=32): super(DyCAConv, self).__init__() self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None)) mip = max(8, inp // reduction) self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0) self.bn1 = nn.BatchNorm2d(mip) self.act = h_swish() self.conv_h = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0) self.conv_w = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0) self.conv = nn.Sequential(nn.Conv2d(inp, oup, kernel_size, padding=kernel_size // 2, stride=stride), nn.BatchNorm2d(oup), nn.SiLU()) self.dynamic_weight_fc = nn.Sequential( nn.Linear(inp, 2), nn.Softmax(dim=1) ) def forward(self, x): identity = x n, c, h, w = x.size() x_h = self.pool_h(x) x_w = self.pool_w(x).permute(0, 1, 3, 2) y = torch.cat([x_h, x_w], dim=2) y = self.conv1(y) y = self.bn1(y) y = self.act(y) x_h, x_w = torch.split(y, [h, w], dim=2) x_w = x_w.permute(0, 1, 3, 2) a_h = self.conv_h(x_h).sigmoid() a_w = self.conv_w(x_w).sigmoid() # Compute dynamic weights x_avg_pool = nn.AdaptiveAvgPool2d(1)(x) x_avg_pool = x_avg_pool.view(x.size(0), -1) dynamic_weights = self.dynamic_weight_fc(x_avg_pool) out = identity * (dynamic_weights[:, 0].view(-1, 1, 1, 1) * a_w + dynamic_weights[:, 1].view(-1, 1, 1, 1) * a_h) return self.conv(out) 在 self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None))这里继续添加 self.pool_w1 = nn.MaxPool2d((1, None)) self.pool_h1 = nn.MaxPool2d((None, 1))
06-01
您所提出的代码修改建议是在 `__init__` 方法中添加了两个新的自适应池化层 `pool_h1` 和 `pool_w1`，并没有在 `forward` 方法中使用这些新的层，如果您想要使用这些新的自适应池化层，应该在 `forward` 方法中将其...
使用paddle将以下LeNet代码进行模型优化class LeNet(paddle.nn.Layer): def __init__(self): super(LeNet, self).__init__() # 创建卷积和池化层块，每个卷积层使用relu激活函数，后面跟着一个2x2的池化 self.conv1 = paddle.nn.Conv2D(3, 32, 3, 1, 1) self.relu1 = paddle.nn.ReLU() self.max_pool1 = paddle.nn.MaxPool2D(2, 2) self.conv2 = paddle.nn.Conv2D(32, 64, 3, 1, 1) self.relu2 = paddle.nn.ReLU() self.max_pool2 = paddle.nn.MaxPool2D(2, 2) self.avg_pool = AdaptiveAvgPool2D(1) self.linear= paddle.nn.Linear(64, 2) # 网络的前向计算过程 def forward(self, x): x = self.max_pool1(self.relu1(self.conv1(x))) x = self.max_pool2(self.relu2(self.conv2(x))) x = self.avg_pool(x) x = paddle.reshape(x, [x.shape[0],-1]) x = self.linear(x) return x paddle.Model(LeNet()).summary((-1,3,256,256))
05-10
同时，我们还使用了paddle.nn.AdaptiveAvgPool2D代替了原来的自定义平均池化层，简化了代码。最后，使用paddle.Model的prepare方法编译了模型，并使用model.summary方法打印了模型结构和参数量。
class ChannelAttention(nn.Module): def __init__(self, channel, reduction=16): super().__init__() self.maxpool = nn.AdaptiveMaxPool2d(1) self.avgpool = nn.AdaptiveAvgPool2d(1) self.se = nn.Sequential( nn.Conv2d(channel, channel // reduction, 1, bias=False), nn.ReLU(), nn.Conv2d(channel // reduction, channel, 1, bias=False) ) self.sigmoid = nn.Sigmoid() def forward(self, x): max_result = self.maxpool(x) avg_result = self.avgpool(x) max_out = self.se(max_result) avg_out = self.se(avg_result) output = self.sigmoid(max_out + avg_out) return output
07-17
- 创建了一个自适应最大池化层（nn.AdaptiveMaxPool2d）和一个自适应平均池化层（nn.AdaptiveAvgPool2d）。 - 创建了一个序列模块（nn.Sequential），其中包含两个卷积层： - 第一个卷积层将输入通道数减少为原来...
定义ResNet18模型 class ResNet18(nn.Module): def init(self): super(ResNet18, self).init() self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(64) self.relu = nn.ReLU(inplace=True) self.layer1 = nn.Sequential( nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=False), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=False), nn.BatchNorm2d(64) ) self.layer2 = nn.Sequential( nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1, bias=False), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.Conv2d(128, 128, kernel_size=3, stride=1, padding=1, bias=False), nn.BatchNorm2d(128), ) self.layer3 = nn.Sequential( nn.Conv2d(128, 256, kernel_size=3, stride=2, padding=1, bias=False), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1, bias=False), nn.BatchNorm2d(256), ) self.layer4 = nn.Sequential( nn.Conv2d(256, 512, kernel_size=3, stride=2, padding=1, bias=False), nn.BatchNorm2d(512), nn.ReLU(inplace=True), nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1, bias=False), nn.BatchNorm2d(512), ) self.avgpool = nn.AdaptiveAvgPool2d((1, 1)) self.fc = nn.Linear(512, 10) def forward(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu(x) x = self.layer1(x) + x x = self.layer2(x) + x x = self.layer3(x) + x x = self.layer4(x) + x x = self.avgpool(x) x = x.view(x.size(0), -1) x = self.fc(x) return x
07-20
- `self.avgpool = nn.AdaptiveAvgPool2d((1, 1))`：定义了一个自适应平均池化层，将输入的特征图大小自适应地池化为大小为1x1。 - `self.fc = nn.Linear(512, 10)`：定义了一个全连接层，将输入特征的维度从512降至...
class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio = 4): super(ChannelAttention, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) self.fc1 = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False) self.relu1 = nn.ReLU() self.fc2 = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x)))) max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x)))) out = avg_out + max_out return self.sigmoid(out) 改为tensorflow形式
06-08
这里的 `GlobalAvgPool2D` 和 `GlobalMaxPool2D` 分别代替了 PyTorch 中的 `AdaptiveAvgPool2d` 和 `AdaptiveMaxPool2d`，它们也可以用来对不同尺寸的输入进行平均池化和最大池化。另外，TensorFlow 中没有 `nn.ReLU...
Pytorch学习笔记(五):nn.AdaptiveAvgPool2d()函数详解
热门推荐
源的博客
06-17 4万+
相关文章 Pytorch学习笔记(一):torch.cat()模块的详解 Pytorch学习笔记(二):nn.Conv2d()函数详解 Pytorch学习笔记(三):nn.BatchNorm2d()函数详解 [Pytorch学习笔记(四):nn.MaxPool2d()函数详解] Pytorch学习笔记(五):nn.AdaptiveAvgPool2d()函数详解 文章目录1.函数语法格式和作用2.参数解释3.具体代码 1.函数语法格式和作用 作用: 自适应平均池化，指定输出（H，W） 函数语言格式: nn
AdaptiveAvgPool2d函数解读
whutfan的博客
05-18 955
AdaptiveAvgPool2d CLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE] Applies a 2D adaptive average pooling over an input signal composed of several input planes. The output is of size H x W, for any input size. The number of output features is equal to t
对于torch.nn.AdaptiveAvgPool2d()自适应平均池化函数的一些理解
weixin_45928096的博客
01-15 1万+
对于torch.nn.AdaptiveAvgPool2d()自适应平均池化函数的一些理解 torch.nn.AdaptiveAvgPool2d()接受两个参数，分别为输出特征图的长和宽，其通道数前后不发生变化。 我认为在我们构造模型的时候，AdaptiveAvgPool2d()的位置一般在卷积层和全连接层的交汇处，以便确定输出到Linear层的大小。 AdaptiveAvgPool2d()中H、W的选取与我们的图的初始大小（长宽）和池化层的数量有关系，也就是与经过多个卷积池化操作后的图像长宽有关。
nn.AdaptiveAvgPool2d
芒果干的博客
11-06 1万+
torch.nn.AdaptiveAvgPool2d torch.nn.AdaptiveAvgPool2d(output_size) output_size：可以为tuple类型(H, W)，也可以为一个数字H表示(H, H)，H,W可以为int或者None类型，如果是None默认与输入相同大小 二维平均自适应池化，只需要给出输出的参数就可以自动寻找相应的kernal size以及stride Applies a 2D adaptive average pooling over an input si
AdaptiveAvgPool2d理解（中网、外网整合)
xiyou__的博客
11-12 2万+
结合中网和外网关于pytorch的AdaptiveAvg2d的优秀解答，并结合自己的理解，分析了AdaptiveAvg2d和一般池化的区别，并举实例帮助理解。
nn.AdaptiveAvgPool2d()
weixin_43102043的博客
01-07 1312
自适应平均池化 作用：指定输出的 H 和 W 代码： input = torch.randn((1, 64, 8, 10)) m = nn.AdaptiveAvgPool2d((1, 1)) m1 = nn.AdaptiveAvgPool2d((None, 2)) m2 = nn.AdaptiveAvgPool2d((5, 4)) print(m(input).shape) print(m1(input).shape) print(m2(input).shape) torch.Size([1, 64,
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值