PyTorch库学习之nn.AdaptiveAvgPool2d函数

PyTorch库学习之nn.AdaptiveAvgPool2d函数

一、简介

torch.nn.AdaptiveAvgPool2d 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。

二、语法和参数

语法

torch.nn.AdaptiveAvgPool2d(output_size)

参数

• output_size：目标输出的大小，可以是一个整数或者一个包含两个整数的元组。如果是一个整数，则输出的高度和宽度都将等于该值。如果是一个元组，则分别指定输出的高度和宽度。

返回值

• 返回一个新的 AdaptiveAvgPool2d 对象，对输入张量进行自适应平均池化操作。

三、实例

3.1 创建一个自适应平均池化层，并将输入张量池化到指定大小

import torch
import torch.nn as nn

# 创建一个 AdaptiveAvgPool2d 层，将输出大小设为 (2, 2)
adaptive_avg_pool = nn.AdaptiveAvgPool2d((2, 2))

# 创建一个随机的输入张量，形状为 (1, 1, 4, 4)
input_tensor = torch.randn(1, 1, 4, 4)

# 对输入张量应用自适应平均池化
output_tensor = adaptive_avg_pool(input_tensor)

# 打印输出张量
print("输出：")
print(output_tensor)

输出：
tensor([[[[-0.3259,  0.1984],
          [-0.7914,  0.2474]]]])

3.2 将输入张量池化到一个单一的输出值

import torch
import torch.nn as nn

# 创建一个 AdaptiveAvgPool2d 层，将输出大小设为 1
adaptive_avg_pool = nn.AdaptiveAvgPool2d(1)

# 创建一个随机的输入张量，形状为 (1, 1, 4, 4)
input_tensor = torch.randn(1, 1, 4, 4)

# 对输入张量应用自适应平均池化
output_tensor = adaptive_avg_pool(input_tensor)

# 打印输出张量
print("输出：")
print(output_tensor)

输出：
tensor([[[[-0.1633]]]])

四、注意事项

1. AdaptiveAvgPool2d 的输出尺寸是根据 output_size 参数自动调整的，因此它非常适合用于处理不同尺寸的输入图像。
2. 与其他池化操作不同，自适应平均池化不会受到输入图像尺寸的限制，可以灵活地生成特定大小的输出。
3. 该模块常用于卷积神经网络的最后一层，以便将特征图的尺寸调整为固定大小，通常在全连接层之前使用。