常见的几种池化操作：MaxPool2d/AdaptiveMaxPool2d/AvgPool2d/AdaptiveAvgPool2d...（Pytorch）

已于 2022-09-07 17:11:01 修改
阅读量9k 收藏 90
点赞数 18
分类专栏： 深度学习 文章标签： pytorch 深度学习 人工智能 卷积神经网络 python
于 2022-09-01 19:32:21 首次发布
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_43665602/article/details/126625116
版权

池化操作

零、池化操作

池化操作通常是使用指定窗口大小的区域中的总体统计特征，代替输入向量在该区域的值，用于降低卷积操作带来的计算参数量

一、MaxPool：最大池化

最大池化是在输入向量中使用滑动窗口内所有元素的最大值代替窗口区域的元素。

1）MaxPool1d

（1）调用方式

  • MaxPooling1d对输入向量做一维最大池化；
  • 输入形状：（N,C,L_in）或（C,L_in）；
  • 输出形状：（N,C,L_out）或（C,L_out）；而在ceil_mode=False时（ceil_mode=True时将其中的向下取整改为向上取整即可），L_out为：在这里插入图片描述
  • 输出结果中的元素：除kernel_size、stride，其他参数保持默认情况下，输出结果中的元素为：
    在这里插入图片描述
torch
了解本专栏 订阅专栏 解锁全文 超级会员免费看
NorthSmile
关注
  • 18
    点赞
  • 踩
  • 90
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
Numpy实现MaxPooling2D（最大池化）和AveragePooling2D（平均池化）
m0_60635224的博客
04-17 781
🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
Pytorch损失函数nn.NLLLoss2d()用法说明
09-16
在PyTorch中，损失函数是衡量模型预测与真实标签之间差距的重要工具，nn.NLLLoss2d()是其中一种损失函数，主要用于二维数据，如图像处理任务。它全称为Negative Log Likelihood Loss（负对数似然损失），在分类问题...
池化(Pooling)的种类与具体用法——基于Pytorch
weixin_60737527的博客
09-27 1万+
池化的种类、原理与基于Pytorch的具体用法
torch.mean()、torch.max() 和 nn.AdaptiveAvgPool2d()、nn.AdaptiveMaxPool2d() 用法小结
A_John 的博客
04-19 2234
本文主要讲解torch.mean()、torch.max() 和 nn.AdaptiveAvgPool2d()、nn.AdaptiveMaxPool2d() 这四个函数的基本用法以及区别
各大池化Pooling操作，以及python实践，学习笔记
weixin_41106546的博客
04-26 790
以上就是对于池化的简单了解。首先介绍了一下池化的基本知识，主要介绍的是最大池化和平均池化。然后通过代码的方式分别记录了使用自适应池化和非自适应池化的区别。池化作为深度学习中常用的一种方法，具有对于模型的优化具有重要意义。事实上，池化的种类是非常多的，但是在Pytorch中并未提供所有的方法。一方面我们可以根据Pytorch中已有的池化方法，调整其中的参数来实现我们想要的池化方法；另一方面，我们也应该学会在已有方案都无法实行的情况下，能够自己方法原理设计池化层。
神经网络—最大池化的使用MaxPool2d（）
jbkjhji的博客
11-09 1548
最大池化的特征：保留数据特征但减少数据量
Max Pooling和 Average Pooling的区别，使用场景分别是什么？
热门推荐
ytusdc的博客
02-20 2万+
池化操作时在卷积神经网络中经常采用过的一个基本操作，一般在卷积层后面都会接一个池化操作，但是近些年比较主流的ImageNet上的分类算法模型都是使用的max-pooling，很少使用average-pooling，这对我们平时设计模型时确实有比较重要的参考作用，但是原因在哪里呢？ pooling作为一个对特征的操作，应该看具体任务。有论文提到，低层的网络对细节特征的响应...
神经网络：池化操作
吃葡萄不吐葡萄皮
06-21 3626
需要注意的是，上述公式中的池化核大小k和步幅可以根据具体的应用和网络架构进行选择和调整，以适应不同的任务和特征尺度的需求。y[i, j] = mean(x[i:i+k, j:j+k]), 其中 y[i, j] 表示输出特征图的元素，x[i:i+k, j:j+k] 表示输入特征图中的局部区域，k为池化核的大小。y[i, j] = max(x[i:i+k, j:j+k]), 其中 y[i, j] 表示输出特征图的元素，x[i:i+k, j:j+k] 表示输入特征图中的局部区域，k为池化核的大小。
AdaptiveAvgPool2d 测试
adaadadsa的博客
06-29 1345
import torch.nn as nn import torch # 创建三维tensor a = torch.randn(3,4,5) print(a.shape) print(a) # 升维，升成四维 a = torch.unsqueeze(a, 0) print(a.shape) print(a) # AdaptiveAvgPool2d(X) 是将W H 使用平均池化降为X维 avg = nn.AdaptiveAvgPool2d(1) b = avg(a) print(a.shape) pr.
pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解
09-18
今天小编就为大家分享一篇pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
浅谈pytorch池化maxpool2D注意事项
12-20
注意： 在搭建网络的时候用carpool2D的时候，让高度和宽度方向不同池化时， 用如下： ...以上这篇浅谈pytorch池化maxpool2D注意事项就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家
PyTorch AdaptiveAvgPool自适应池化算子原理详细分析
JerryLiu1998的博客
03-30 4874
本文分析pytorch AdaptiveAvgPool算子的计算机制，主要是指确定stride和kernel_size的方法。
Pool池化下采样层详解（三）
梦在黎明破晓时的博客
10-22 365
output_size：指定输出固定尺寸。自适应平均池化，指定输出（H，W）
pytorch中的池化函数
thy0000的博客
10-13 3261
PyTorch 提供了多种池化函数，用于对输入数据进行不同类型的池化操作。这些池化函数允许你对不同维度的输入数据进行平均池化或最大池化，并且有自适应版本，可以自动调整输入大小以满足指定的输出大小。选择适当的池化函数取决于你的应用和输入数据的维度。
nn.AvgPool2d()函数
qq_43349542的博客
07-04 1万+
X为输入图像的大小 通过nn.AvgPool2d()函数输入和输出的特征层数目不变，特征图大小改变。 nn.AvgPool2d(2,2)和nn.MaxPool2d(2, 2)一样是图像大小缩小为原来的一半。
大可的PyTorch学习笔记（一） 神经网络初步
CoolCoolCarrot的博客
11-01 1084
这篇笔记主要是根据官方教程提供的Jupyter代码进行，我一边跑通代码一边进行了一些尝试和总结。 基本知识提要 Pytorch提供了自动计算梯度的工具，即backward方法，每个要更新的参数会包含一个autograd属性来记录梯度，参与计算的函数（表现为一个中间或结果变量）会具有grad_fn属性，用来记录它的函数表达式。Pytorch还提供了nn.Module模块，只需要定义该类的相关函数...
nn.AdaptiveMaxPool2d 代码测试
scar2016的博客
01-03 271
文章目录1.说明2. 代码3. 结果 1.说明 CLASS torch.nn.AdaptiveMaxPool2d(output_size, return_indices=False) Applies a 2D adaptive max pooling over an input signal composed of several input planes.The output is of size Hout×WoutH_{out} \times W_{out}Hout​×Wout​, or any i
MNIST数据集手写数字识别
yixintong1的博客
11-22 627
pytorch的MNIST数据集手写数字识别(GPU) 数据集介绍 MNIST 包括6万张28x28的训练样本，1万张测试样本，很多教程都会对它”下手”几乎成为一个 “典范”，可以说它就是计算机视觉里面的Hello World。所以我们这里也会使用MNIST来进行实战。 前面在介绍卷积神经网络的时候说到过LeNet-5，LeNet-5之所以强大就是因为在当时的环境下将MNIST数据的识别率提高到了...
nn.MaxPool2d和nn.AdaptiveMaxPool2d的区别
最新发布
05-12
torch.nn.MaxPool2d和torch.nn.AdaptiveMaxPool2d都是PyTorch中的池化层，但是它们有一些不同之处。其中，nn.MaxPool2d是一个传统的池化层，它需要指定池化窗口的大小和步长，然后通过在输入上滑动池化窗口并在每个...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

打赏作者

NorthSmile

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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