pytorch学习——最大池化

import torchvision.datasets
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

首先，引入相应的库。torch下载和安装，可以网上查找。

dataset = torchvision.datasets.CIFAR10("./dataset1", train=False, download=True,
                                       transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=64)

从CIFAR10中下载相应的数据集，“./dataset1”下载到程序所在并建立dataset1文件夹，如果下载慢，可以在运行时，将下载地址放到迅雷，下载完成后复制到文件夹中。train=True/False训练集和测试集；download=True,下载文件；transform=torchvision.transforms.ToTensor()；将PIL Image或者 ndarray 转换为tensor，并且归一化至[0-1]。

class Feng(nn.Module):
    def __init__(self):
        super(Feng, self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)

    def forward(self, input):
        output = self.maxpool1(input)
        return output

feng = Feng()

自己构建一个深度学习骨架， super(Feng, self).__init__()初始化内部module状态；MaxPool2d(kernel_size=3, ceil_mode=False)：kernel_size=3建立一个3*3的池化核；ceil_mode=False或者Ture；FALSE时，输入图像边缘部分不满足池化核的时候，边缘部分直接舍去（默认FALSE）；TRUE，边缘部分同样保留最大值。forward 函数的作用是将输入数据经过网络中各个层的计算和变换后，得到输出结果。

writer = SummaryWriter("./logs_maxpool")

写入日志

step = 0

for data in dataloader:
    imgs, target = data
    writer.add_images("input", imgs, step)
    output = feng(imgs)
    writer.add_images("output", output, step)
    step = step+1

writer.close()

日志读取过程中，需要在terminal中输入tensorboard --logdir="logs_maxpool"，读取前看一下是否在pytorch环境中，如果没有在环境中，输入conda activate pytorch