神经网络——最大池化的使用

最大池化的目的在于保留原特征的同时减少神经网络训练的参数，使得训练时间减少。相当于1080p的视频变为了720p

官网介绍 torch.nn — PyTorch 1.11.0 documentation

最常用的时MAXPOOL2D

最常用的是下采样，其中参数：

kernel_size：设置取最大值的窗口，类似于卷积层的卷积核，如果传入参数是一个int型，则生成一个正方形，边长与参数相同；若是两个int型的元组，则生成长方形。

stride：步径，与卷积层不同，默认值是kernel_size的大小。

padding：和卷积层一样，用法类似于kernel_size。

dilation：控制窗口中元素步幅的参数，就是两两元素之间有间隔

ceil_mode:ture是为ceil，false为floor

 通过对一个数组操作，获取其平均采样值：

import torch
from torch import nn
from torch.nn import MaxPool2d

# 最大池化要使用浮点数
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)

# 改变矩阵的尺寸 -1代表xxx有计算机计算

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

print(input.shape)

class LL(nn.Module):
    def __init__(self):
        super(LL, self).__init__()
        self.maxpool =MaxPool2d(kernel_size=3,ceil_mode=True)

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

ll=LL()
output=ll(input)
print(output)

ceil是向上取整，floor是向下取整，默认为ceil_mode=False

当ceil_mode=False时：

 当ceil_mode=True时：

 如果对图像数据集进行池化，相关的代码操作：

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

dataset=torchvision.datasets.CIFAR10("./dataset",train=False,transform=torchvision.transforms.ToTensor(),
                                      download=True)

dataloader =DataLoader(dataset,batch_size=64)



class LL(nn.Module):
    def __init__(self):
        super(LL, self).__init__()
        self.maxpool1 =MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output=self.maxpool1(input)
        return  output

ll=LL()

writer=SummaryWriter("logs_maxpool")
step=0
for data in dataloader:
    imgs,targets = data
    writer.add_images("input",imgs,step)
    output=ll(imgs)
    writer.add_images("output",output,step)
    step=step+1

writer.close()

输出结果：