#%%
'''
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 2024-08-20 07:00:00 发布
本文深入探讨了如何在PyTorch中实现卷积神经网络的池化层,通过实例详细解释了不同类型的池化操作,包括最大池化和平均池化,以及它们在减少计算量和防止过拟合方面的作用。
摘要由CSDN通过智能技术生成