Spatial Pyramid Pooling金字塔池化

spp为何凯明2015年提出的池化结构，以解决在此之前卷积神经网络只能输入固定大小图片的结果

相比于传统的cnn网络，spp主要是在全连接层之前嵌入，保证输入的维度大小一定，避免了不同大小的输入尺寸对结果的影响，并且spp池化层的加入显著提高了在此之前的部分CNN模型以及目标检测的RCNN模型中取得了显著的进步

不同于单纯使用平均池化或者最大池化，对卷积层最后的输出（batch，N通道数，w宽度，h高度）分别用三个最大池化层获得（batch,N,4,4）,(batch,N,2,2),(batch,N,1,1)三层，并共同输入fc全连接层，获得（batch，16+4+1，w*h）大小的数据输入fc层。可以理解为使用了三种卷积核（池化窗口）提取特征，以获得固定大小特征输入全连接层
实际应用中可以对比参考选择三个尺寸的池化层。

以下为一个demo：

import torch
import torch.nn as nn
import math
def _spp_pool(in_h,in_w,out_hc,out_wc):
    #H_out=(H_in-F+2P)/S+1
    F_h=int(math.ceil(in_h/out_hc))
    F_w=int(math.ceil(in_w/out_wc))
    S_h=F_h
    S_w=F_w
    P_h=(F_h-1)*S_h+F_h-in_h
    P_w=(F_w-1)*S_w+F_w-in_w
    return nn.MaxPool2d((F_h,F_w),(S_h,S_w),(P_h,P_w))
#x.view(,-1)
#torch.cat()