【小土堆】19/33最大池化

池化层会大大减小数据训练量

最大池化我们以2的为例MaxPool2d

主要使用的参数是：

kernel_size：是池化核的大小，是在卷积过程中移动的格数

Ceil_model：当值为True的时候，数值个数不足保留，为False的时候数值个数不足则不保留

例如：一个5*5的输入图象，和3*3的池化核

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

输入图象（5*5）

池化核(3x3), kernel_size=3

2	3
5	1

Ceil_model=True

2

Ceil_model=False

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

#准备数据集
dataset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True,
                                      transform= torchvision.transforms.ToTensor())
#加载数据集
dataloader = DataLoader(dataset, batch_size=64, shuffle=True)

#构建简单的网络神经
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1 = nn.MaxPool2d(kernel_size=3, ceil_mode=False)
    def forward(self, input):
        output = self.maxpool1(input)
        return output
tudui = Tudui()
print(tudui)
writer = SummaryWriter('logs_maxPool')
step = 0
#从数据集中取数据
for data in dataloader:
    print(data)
    imgs, targets = data
    writer.add_images("input",imgs,step)
    output = tudui(imgs)
    writer.add_images("output",output,step)
    step += 1
writer.close()

结果为：