Pytorch笔记12 最大池化操作— MaxPool2d

12.1 认识MaxPool2d

  本文中所学习的Pytorch官方文档地址link
  主要参数

12.1.1 直观理解

  与卷积类似，但是返回最大值。


  可见最大池化的作用：减少数据量并保留数据特征。

12.2 ceil_mode的使用

  ceil_mode (bool) – when True, will use ceil instead of floor to compute the output shape.默认为False.

12.2.1 直观理解

  表现在对输入值的处理上—— ceil 模式下，向上取整；floor 模式下，向下取整

12.2.2 代码实现

  由帮助文档可见输入为四个参数，故需要reshape

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]], dtype=torch.float32)    # 将数据改成浮点型

input = torch.reshape(input, (-1, 1, 5, 5))    # batch_size未知时填“-1”，自动计算
print(input.shape)


class Avlon(nn.Module):
    def __init__(self):
        super().__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=True)    # stride默认值为 kernel_size

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


avlon = Avlon()
output = avlon(input)
print(output)

  # Python中很多操作不支持Long类型的张量, 只需要把输入的张量改成浮点类型即可
  运行后


  当"ceil_mode=False"时再次运行


  可见与12.1.1中图片的结果一致。

12.3 使用Tensorboard展示

import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10("../data", train=False, transform=torchvision.transforms.ToTensor(),
                                       download=True)
dataloader = DataLoader(dataset, batch_size=64)

# 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)    # 将数据改成浮点型
#
# input = torch.reshape(input, (-1, 1, 5, 5))    # batch_size未知时填“-1”，自动计算
# print(input.shape)


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

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


avlon = Avlon()
# output = avlon(input)
# print(output)

writer = SummaryWriter("../logs_maxpool")
step = 0

for data in dataloader:
    imgs, targets = data
    writer.add_images("input", imgs, step)
    output = avlon(imgs)    # 最大池化并没有改变通道数，故不需要reshape
    writer.add_images("output", output, step)

    step = step + 1

writer.close()

  运行后



  可见的确是保留了图片特征，并且大大减少了图片体积