P19 最大池化的使用 池化的作用：类似于满足使用的前提下让1080P→720P

我们先打开官方文档：
池化的作用：类似于满足使用的前提下让1080P→720P

打开池化层：pooling layers
最大池化Maxpool，有时也会被叫做下采样
maxunpool叫上采样
avpool平均采样
上采样是插值
下采样是抽样
可以通俗理解互为逆运算

最常用的还是MAXpool2d

这是输入和输出的形式

一、maxpool2d解读

参数：
kenel_size， 池化核大小
stride也是步长。但这里默认值是池化核的大小。与之前卷积层不一样
ceil_mode,当设置为True会进行ceil模式计算。。
关于ceil floor：
如图。当设置为ceil 会向上取整为3
当设置为floor 会向下取整2

二、最大池化操作讲解

1、池化操作
假设我们有现在的输入、和3×3的池化核

池化操作会选出输入数据中最大的数

2、关于ceil或者floor导致的结果
我们设置步长stride=3
走3步后会出现下图现象

2.1 ceil——MODE=True

如果是ceil那就是向上取整→保留 数据

2.2 ceil——mode=False

如果是floor那就是向下取整→不保留 数据

三、代码实践

1、根据ppt输入input

import torch
input=torch.tensor([
    [1,2,0,3,1],
    [0,1,2,3,1],
    [1,2,1,0,0],
    [5,2,3,1,1],
    [2,1,0,1,1]
])
print(input.shape)

输出结果为：
torch.Size([5, 5])
但是官方文档要求
batchsize，channel，h，w的形式

因此：

input=torch.tensor([
    [1,2,0,3,1],
    [0,1,2,3,1],
    [1,2,1,0,0],
    [5,2,3,1,1],
    [2,1,0,1,1]
])
input=torch.reshape(input,(-1,1,5,5))
print(input.shape)
//这里填-1就是让计算机自己计算batchsize//
输出结果为：
torch.Size([1, 1, 5, 5])

2、在基础上输入代码，使用maxpool2d

import torch
from torch import nn
from torch.nn import MaxPool2d

input=torch.tensor([
    [1,2,0,3,1],
    [0,1,2,3,1],
    [1,2,1,0,0],
    [5,2,3,1,1],
    [2,1,0,1,1]
])

input=torch.reshape(input,(-1,1,5,5))

class tudui(nn.Module):
    def __init__(self):
        super(tudui, self).__init__()
        self.maxpool1=MaxPool2d()

可以看到需要的参数：

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output=self.maxpool1(input)
        return output
        
//这里实例化了nn.Module。传入的参数会自动进入forward函数运行。
我们定义了神经网络maxpool1//

3、继续

import torch
from torch import nn
from torch.nn import MaxPool2d

input=torch.tensor([
    [1,2,0,3,1],
    [0,1,2,3,1],
    [1,2,1,0,0],
    [5,2,3,1,1],
    [2,1,0,1,1]
])

input=torch.reshape(input,(-1,1,5,5))

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output=self.maxpool1(input)
        return output

tudui=Tudui()
output=tudui(input)
print（output）

但还是报错：意思是无法接受长整型long

修改方法：
1）后面加上数据类型

input=torch.tensor([
    [1,2,0,3,1],
    [0,1,2,3,1],
    [1,2,1,0,0],
    [5,2,3,1,1],
    [2,1,0,1,1]
],dtype=torch.float32)

2. 直接输入1.0 2.0.。。。。。。。。

4、结果

我们可以看到在ceil——mode=True下结果保留，为2351
tensor([[[[2., 3.],
          [5., 1.]]]])

5、我们试一下False

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=False)

    def forward(self,input):
        output=self.maxpool1(input)
        return output

四、使用图片来直观感受下：

import torch
import torchvision //用来下数据集//

from torch import nn  //用来使用MAXPOOL2D.//
from torch.nn import MaxPool2d //用来使用MAXPOOL2D.//

from torch.utils.data import DataLoader //用来使用dataloader抓牌。//
from torch.utils.tensorboard import SummaryWriter  //用来可视化效果。//

dataset=torchvision.datasets.CIFAR10("./P19_data",train=False,download=True,transform=torchvision.transforms.ToTensor())
//下载数据集在文件p19
下载训练的集
变换成tensor类型//

dataloader = DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=False)

    def forward(self,input):
        output=self.maxpool1(input)
        return output

tudui=Tudui()

step=0
writer=SummaryWriter("P19_maxpooling")
for data in dataloader:
    imgs,targets=data
    writer.add_images("input",imgs,step)

    output=tudui(imgs)
    writer.add_images("output",output,step)
    step=step+1

writer.close()

终端：

(DL) D:\PyCharm\Py_Projects\XiaoTuDui>tensorboard --logdir=P19_maxpooling
TensorFlow installation not found - running with reduced feature set.

所谓池化 感觉就是降低画质

五、另外看弹幕下的一些想法：

这个add_imgs只展示单通道的灰度图或者三通道的彩色图
昨天卷积输出为6通道所以要reshape
而池化不改变通道数