pytorch快速入门(七) 最大池化的使用

最新推荐文章于 2023-07-31 17:36:55 发布
VIP文章 最新推荐文章于 2023-07-31 17:36:55 发布
阅读量1k 收藏 2
点赞数 1
分类专栏： 深度学习可视化 pytorch 文章标签： pytorch 深度学习 python
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/rensweet/article/details/122276626
版权

1、数据集：CIFAR10

2、二维最大池化MaxPool2d可视化

1、相关参数

在这里插入图片描述

2、代码及说明

代码

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

#使用CIFAR10数据集
dataset = torchvision.datasets.CIFAR10("E:/PycharmProjects/Pytoch_learning/dataset/CIFAR10",
                                       train=
最低0.47元/天 解锁文章
半甜田田
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PyTorch学习笔记（五） ---------最大池化和非线性激活
m0_60964321的博客
01-12 571
一、最大池化 类似于卷积操作，这里最大池化的过程与卷积有部分相似之处，不多赘述 最大池化是为了保留数据特征，减少数据量 class Module(nn.Module): def __init__(self): super(Module, self).__init__() # 父类继承 self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=True) # kernel_size=3表示池化核是3*3， ceil
torch.nn.MaxPool1d各参数分析
热门推荐
yingluo54的博客
12-28 2万+
对torch.nn.MaxPool1d各参数（kernel_size、stride、ceil_mode、dilation、padding）的小白文分析：含官方定义和初步翻译、用代码测试并画图举例讲解各参数的作用。 另外讨论了torch.nn.MaxPool1d与torch.max的区别。
理解MaxPool最大池化的作用与反向传播
L1778586311的博客
01-03 1万+
目前网络中运用最多的pool操作就是maxpool，最大池化。最开始经典的网络用的较多的是平均池化。操作与机制都差不多，一个是取最大值，一个是取平均值。 作为小白的我最近看文章脑子里浮现出几个问题： 池化层（我们以最大池化为例）的作用 池化层如何通过反向传播 池化层的最直观的作用就是降维、减少参数量、去除冗余信息、对特征进行压缩、简化网络复杂度、减少计算量、减少内存消耗等等。 《动手学习深度学习》一书中还提到了这样一个作用： 缓解卷积层对位置的过度敏感性，实际上就是特征不变性。以下是书上的解释(pyto
神经网络——最大池化的使用
keep on going
05-20 934
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 网络链接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...
神经网络-最大池化的使用
booze_的博客
06-25 2615
池化层的官方文档中介绍了很多种的池化方法，但是最常用的还是MaxPool2d,这里我们也用MaxPool2d来讲解，其他的类似，关键还是要学会看官方文档 概述： 最大池化目的就是为了保留输入的特征，但是同时把数据量减少，最大池化之后数据量就减少了，对于整个网路来说，进行计算的参数就变少了，就会训练的更快。 就相当于在网上看视频，视频又有1080P的，720P的，360P的，懂吧，1080P就相当于输入视频，720P的就相当于经过最大池化后的视频，720P也可以满足需求，网不行的时候不就可以看720P的呗。什
对Pytorch中Tensor的各种池化操作解析
09-18
今天小编就为大家一篇对Pytorch中Tensor的各种池化操作解析，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
第2章 PyTorch快速入门.rar
08-09
PyTorch深度学习入门与实战（案例视频精讲）课堂教学讲义（Jupyter ：ipynb，文字和代码以及插图 ）
pytorch中的卷积和池化计算方式详解
09-18
今天小编就为大家分享一篇pytorch中的卷积和池化计算方式详解，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
PyTorch的自适应池化Adaptive Pooling实例
12-23
自适应最大池化Adaptive Max Pooling： torch.nn.AdaptiveMaxPool1d(output_size) torch.nn.AdaptiveMaxPool2d(output_size) torch.nn.AdaptiveMaxPool3d(output_size) 自适应平均池化Adaptive Average Pooling： ...
pytorch快速入门文件
最新发布
10-25
1）pytorch的介绍 2）pytorch的基本操作
pytorch(6)——最大池化(pool)
weixin_44674875的博客
03-07 1356
最大池化
CNN池化总结（最大池化与平均池化）
m0_62919535的博客
06-29 7458
池化操作会减少特征图的细节信息，因此在某些情况下可能会导致信息丢失。在最新的研究中，有些模型在某些层次上已经开始避免使用池化操作，而是采用卷积操作来进行降维和尺寸缩减。这些新的方法通常被称为"strided convolutions"（步幅卷积）或"convolutional stride"（卷积步幅），它们在一定程度上取代了传统的池化操作。这些新方法的目标是通过卷积操作同时实现特征提取和尺寸缩减的效果，以避免信息丢失。
Pytorch深度学习-----神经网络之池化层用法详解及其最大池化的使用
LGL
07-31 1643
kernel_size：表示池化核的大小，类型为int 或者元组。stride=None：表示步长的大小，与卷积层不同，池化层步长大小默认为kernel_size的大小。padding=0：表示在输入图像外围增加一圈0，和前面卷积核一样。dilation=1：表示设置核的膨胀率，默认 dilation=1，即如果kernel_size =3，那么核的大小就是3×3。
深度学习入门（二十六）卷积神经网络——池化层
ElysiumAILab
11-07 879
课件 池化层 二维最大池化 填充、步幅和多个通道 平均池化层 总结 教材 1 最大池化层和平均池化层 2 填充和步幅 3 多个通道 4 小结
Pytorch学习(四)MaxPool最大池化
weixin_44901043的博客
04-04 8109
文章目录前言一维池化函数原型参数说明代码示例二维池化函数原型参数说明代码示例 前言 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 一维池化 函数原型 torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False) 如果输入大小为(N,C,Lin) ，则输出(N,C,Lout)计算公式
常见的几种池化操作：MaxPool2d/AdaptiveMaxPool2d/AvgPool2d/AdaptiveAvgPool2d...（Pytorch）
NorthSmile的博客
09-01 8897
case3：output_size=（H_out,None）或output_size=（None,W_out），此时指定为None的维度与输入中保持一致，既output_size=（H_out,None）时W_out=W_in；case3：output_size=（H_out,None）或output_size=（None,W_out），此时指定为None的维度与输入中保持一致，既output_size=（H_out,None）时W_out=W_in；因为执行的是最大池化操作，所以在填充时使用负无穷。
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
阿旭的博客
12-15 4275
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
10.初识Pytorch使用池化层并对其进行可视化
对方正在输入中...
12-29 1069
池化层的编程跟之前的卷积层类似。 最大池化层，上代码： import torch.nn as nn import torch import torchvision from torch.utils.data import DataLoader from torch.utils.tensorboard import SummaryWriter from torchvision import transforms # 创建的单层最大池化层类 # Pytorch中模型的三要素 1.nn.Module cla
Pytorch中最大池化层Maxpool的作用说明及实例使用（附代码）
m0_49963403的博客
03-26 1万+
卷积操作的卷积核是有数据（权重）的，而池化直接计算池化窗口内的原始数据，这个计算过程可以是选择最大值、选择最小值或计算平均值，分别对应：最大池化、最小池化和平均池化。比如，在图像识别的实际使用过程中，要识别一个图像中是否有“行人”，最大池化层就可以缓解“行人”的位置对输出带来的影响，可以把计算更主要地关注在“是否”有“行人”上。另外，由于最大池化能提取出特定窗口的最大数据，无论这个数据在窗口中的原始位置在哪，所以。最大池化可以提取出指定窗口的特征（最大）数据，显著减少了特征图（特征张量的大小），
使用pytorch进行特征图平均池化增强
06-10
要使用PyTorch进行特征图平均池化增强，可以使用nn.AvgPool2d()函数。 首先，需要导入PyTorch： ``` import torch import torch.nn as nn ``` 然后，定义需要池化的特征图。假设该特征图的大小为(1, 16, 16)，即...

“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
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
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