Pytorch学习(四)MaxPool最大池化

一维最大池化

函数原型

torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

如果输入大小为(N,C,Lin) ，则输出(N,C,Lout)计算公式如下：
​

参数说明

kernel_size(int or tuple) : max pooling的窗口大小
stride(int or tuple, optional) : max pooling的窗口移动的步长。默认值是kernel_size
padding(int or tuple, optional) : 输入的每一条边补充0的层数
dilation(int or tuple, optional) : 一个控制窗口中元素步幅的参数
return_indices : 如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助
ceil_mode : 如果等于True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作

代码示例

inPut = torch.tensor([
    [5,3,4,5],
    [3,2,3,1],
    [4,3,4,2]
], dtype=torch.float32)

m = torch.nn.MaxPool1d(3, stride=1)
outPut = m(inPut)
print(outPut)

打印输出：
tensor([[5., 5.],
[3., 3.],
[4., 4.]])
示例中定义了一个3x4大小凹点张量和窗口大小3,移动步长为1的池化层。如下图在第一个窗口中，最大值为5，然后向右移动一个步长，最大值为5，依次移动最大值池化窗口。

二维最大池化

函数原型

torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

如果输入大小为(N, C, Hin, Win) ，则输出(N,C,Hout,Wout)计算公式如下：

参数说明

kernel_size(int or tuple) ： max pooling的窗口大小
stride(int or tuple, optional) ： max pooling的窗口移动的步长。默认值是kernel_size
padding(int or tuple, optional) ： 输入的每一条边补充0的层数
dilation(int or tuple, optional) ： 一个控制窗口中元素步幅的参数
return_indices ： 如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助
ceil_mode ： 如果等于True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作

代码示例

in_features = torch.randn( 1, 3, 4)
mm = torch.nn.MaxPool2d(3, stride=1)
out_features = mm(in_features)
print(out_features)

打印输出：