#%%
'''
实际图像里,我们所感兴趣的物体不会总是出现在同一个地方,这些物品
一定会出现在不同的像素位置,因此导致同一个边缘的输出会在总的卷积输出Y
的不同同位置,造成模式识别的不便
而池化层的提出是为了缓解卷积层对位置的过度敏感性
'''
#%%
'''二维最大池化函数和平均池化层'''
import torch
from torch import nn
#这里的mode参数可以填max 也可以天avg
def pool2d(X,pool_size,mode='max'):
X=X.float()
p_h,p_w=pool_size
#初始化一个池化过后的空tensor
Y=torch.zeros(X.shape[0] - p_h+1,X.shape[1]-p_w+1
卷积神经网络pytorch实现(二):池化层
最新推荐文章于 2023-06-02 13:19:36 发布