神经网络——最大池化的使用

为什么要最大池

保留输入的特征，同时减少数据量，加快训练速度

MaxPool2d

图1. 参数
stride：默认为池化核大小
ceil_mode：为True则保留边缘数据

注意输入输出的维度，必要时需要进行维度变换。

实例

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

# 输入数据
input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]], dtype=torch.float32)

# input = torch.reshape(input, (-1, 1, 5, 5))

dataset = torchvision.datasets.CIFAR10("../pytorch_learn/dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)
dataloader = DataLoader(dataset, batch_size=64)

###构建神经网络
class tudui(nn.Module):
    def __init__(self):
        super(tudui, self).__init__()
        self.maxpool = MaxPool2d(kernel_size=3, ceil_mode=False)

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

pool = tudui() #创建实例
# output = pool(input)
# print(output)

writer = SummaryWriter("logs_maxpool")
step = 0
for data in dataloader:
    img, traget = data
    writer.add_images("maxpool", img, step)
    output = pool(img)
    # 经过池化后数据通道不变，不需要进行变换
    writer.add_images("output", output, step)
    step = step + 1

writer.close()