卷积神经网络pytorch实现（二）：池化层

#%%

'''
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