pytorch-torch.nn-池化层

池化层

池化操作的一个重要目的就是对卷积得到的特征进行进一步的处理（主要是降维）

池化层可以起到对数据的进一步的浓缩效果，从而缓解计算式内存的压力。

池化回选取一个大小区域，将该区域内的像素值使用一个代表元素表示。

池化有很多种，有平均值池化，最大值池化，自适应池化。

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image

# 读取图像-转化为灰度图-转化为numpy数组-转化为张量
img = Image.open(r"C:\Users\baishuai\Desktop\1600170151368.jpg")
# 使用.convert()方法，将图像转化为灰度图像
image = np.array(img.convert("L"), dtype=np.float32)
# 将数组转化为张量，张量：1*1*h*w
imh, imw = image.shape
myimg = torch.from_numpy(image.reshape((1, 1, imh, imw)))
print(myimg)
# 定义边缘检测卷积核，并将维度处理为1*1*5*5
# 卷积核大小
kersize = 5
# 设置卷积核
ker = torch.ones(kersize, kersize, dtype=torch.float32)*-1
ker[2, 2] = 24
# 获得卷积模型
conv2d = nn.Conv2d(1, 2, (kersize, kersize), bias=False)
# 设置卷积时使用的核，第一个核使用边缘检测核
conv2d.weight.data[0] = ker
# 对灰度图进行卷积操作
imconv2dout = conv2d(myimg)
# 对卷积后的结果进行最大值池化
maxpool2 = nn.MaxPool2d(2, stride=2)
pool2_out = maxpool2(imconv2dout)
pool2_out_im = pool2_out.squeeze()
print(pool2_out_im.shape)
# 可视化最大值池化
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.imshow(pool2_out_im[0].data, 'gray')
plt.axis("off")
plt.subplot(1, 2, 2)
plt.imshow(pool2_out_im[1].data, 'gray')
plt.axis("off")
plt.show()

# 使用nn.AvgPool2d()函数，对卷积后输出进行平均值池化，并对其进行可视化
avgpool2 = nn.AvgPool2d(2, stride=2)
pool2_out = avgpool2(imconv2dout)
pool2_out_im = pool2_out.squeeze()
print(pool2_out.shape)
# 可视化平均值池化后的结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.imshow(pool2_out_im[0].data, 'gray')
plt.axis("off")
plt.subplot(1, 2, 2)
plt.imshow(pool2_out_im[1].data, 'gray')
plt.axis("off")
plt.show()

# 使用nn.AdaptiveAvgPool2d()函数，对卷积后的输出进行自适应平均值池化，并可视化
# 使用output_size参数指定输出特征映射的尺寸
adaptavgpool2 = nn.AdaptiveAvgPool2d(output_size=(100, 100))
pool2_out = adaptavgpool2(imconv2dout)
pool2_out_im = pool2_out.squeeze()
print(pool2_out_im.shape)
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.imshow(pool2_out_im[0].data, 'gray')
plt.axis("off")
plt.subplot(1, 2, 2)
plt.imshow(pool2_out_im[1].data, 'gray')
plt.axis("off")
plt.show()