池化层-Pooling(CNN卷积神经网络)

汇聚层(池化层)

本节将介绍汇聚（pooling）层（又名池化层），它具有双重目的:

1.降低卷积层对位置的敏感性

2.同时降低对空间降采样表示的敏感性。

最大汇聚层和平均汇聚层

简单地讲， 最大汇聚层就是找到窗口内的最大值Max， 平均汇聚层就是找到窗口内的平均值Avg。

与卷积层类似，汇聚层运算符由一个固定形状的窗口组成，该窗口根据其步幅大小在输入的所有区域上滑动，为固定形状窗口（有时称为汇聚窗口）遍历的每个位置计算一个输出。 然而，不同于卷积层中的输入与卷积核之间的互相关计算，汇聚层不包含参数。相反，池运算是确定性的，我们通常计算汇聚窗口中所有元素的最大值或平均值。这些操作分别称为最大汇聚层（maximum pooling）和平均汇聚层（average pooling）。

在这两种情况下，与互相关运算符一样，汇聚窗口从输入张量的左上角开始，从左往右、从上往下的在输入张量内滑动。在汇聚窗口到达的每个位置，它计算该窗口中输入子张量的最大值或平均值。计算最大值或平均值是取决于使用了最大汇聚层还是平均汇聚层。

上图中输出张量的高度为 $2$ ，宽度为 $2$ 。这四个元素为每个汇聚窗口中的最大值：

$$\begin{gathered} max(0,1,3,4)=4, \\ max(1,2,4,5)=5, \\ max(3,4,6,7)=7, \\ max(4,5,7,8)=8. \end{gathered}$$

汇聚窗口形状为 $p\times q$ 的汇聚层称为 $p\times q$ 汇聚层，汇聚操作称为 $p\times q$ 汇聚。

现在我们将使用卷积层的输出作为 $2\times 2$ 最大汇聚的输入。 设置卷积层输入为X，汇聚层输出为Y。 无论 X[i, j] 和 X[i, j + 1] 的值相同与否，或 X[i, j + 1] 和 X[i, j + 2] 的值相同与否，汇聚层始终输出 Y[i, j] = 1。 也就是说，使用 $2\times 2$ 最大汇聚层，即使在高度或宽度上移动一个元素，卷积层仍然可以识别到模式。

在下面的代码中的pool2d函数，我们实现汇聚层的前向传播。这类似前面的corr2d函数。 然而，这里我们没有卷积核，输出为输入中每个区域的最大值或平均值。

import torch
from torch import nn
from d2l import torch as d2l

#定义池化层函数
def pool2d(X, pool_size, mode='max'):
    p_h, p_w = pool_size
    Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
    
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            if mode == 'max':
                Y[i, j] = X[i: i + p_h, j: j + p_w].max()
            
            elif mode == 'avg':
                Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
    
    return Y

我们可以构建上图的输入张量X，验证二维最大汇聚层的输出。

X = torch.tensor([[0.0,1.0,2.0], [3.0,4.0,5.0], [6.0,7.0,8.0]])
pool_res = pool2d(X, (2, 2))
pool_res

tensor([[4., 5.],
        [7., 8.]])

此外，我们还可以验证平均汇聚层。

pool2d(X, (2,2), 'avg')

tensor([[2., 3.],
        [5., 6.]])

填充和步幅

与卷积层一样，汇聚层也可以改变输出形状。

和以前一样，我们可以通过填充和步幅以获得所需的输出形状。 下面，我们用深度学习框架中内置的二维最大汇聚层，来演示汇聚层中填充和步幅的使用。

我们首先构造了一个输入张量X，它有四个维度，其中样本数和通道数都是1。

X = torch.arange(16, dtype=torch.float32).reshape((1, 1, 4, 4))
X

tensor([[[[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  6.,  7.],
          [ 8.,  9., 10., 11.],
          [12., 13., 14., 15.]]]])

默认情况下，深度学习框架中的步幅与汇聚窗口的大小相同。 因此，如果我们使用形状为(3, 3)的汇聚窗口，那么默认情况下，我们得到的步幅形状为(3, 3)。

pool2d = nn.MaxPool2d(3)
pool2d(X)

tensor([[[[10.]]]])

填充和步幅可以手动设定。

pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)

tensor([[[[ 5.,  7.],
          [13., 15.]]]])

当然，我们可以设定一个任意大小的矩形汇聚窗口，并分别设定填充和步幅的高度和宽度。

pool2d = nn.MaxPool2d((2, 3), stride=(2, 3), padding=(0, 1))
pool2d(X)

tensor([[[[ 5.,  7.],
          [13., 15.]]]])

多个通道

在处理多通道输入数据时，汇聚层在每个输入通道上单独运算，而不是像卷积层一样在通道上对输入进行汇总。 这意味着汇聚层的输出通道数与输入通道数相同。 下面，我们将在通道维度上连结张量X和X + 1，以构建具有2个通道的输入。

X = torch.cat((X, X+1), 1)                           #1代表扩展每一行, 0代表扩展每一列
X, X.shape

(tensor([[[[ 0.,  1.,  2.,  3.],
           [ 4.,  5.,  6.,  7.],
           [ 8.,  9., 10., 11.],
           [12., 13., 14., 15.]],
 
          [[ 1.,  2.,  3.,  4.],
           [ 5.,  6.,  7.,  8.],
           [ 9., 10., 11., 12.],
           [13., 14., 15., 16.]]]]),
 torch.Size([1, 2, 4, 4]))

如下所示，汇聚后输出通道的数量仍然是2。

pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)

tensor([[[[ 5.,  7.],
          [13., 15.]],

         [[ 6.,  8.],
          [14., 16.]]]])

小结

1、对于给定输入元素，最大汇聚层会输出该窗口内的最大值，平均汇聚层会输出该窗口内的平均值。

2、汇聚层的主要优点之一是减轻卷积层对位置的过度敏感。

3、我们可以指定汇聚层的填充和步幅。

4、使用最大汇聚层以及大于1的步幅，可减少空间维度（如高度和宽度）。

5、汇聚层的输出通道数与输入通道数相同。