Pytorch深度学习-神经网路-最大池化的使用（Pooling layers）

MaxPool2d

1. API

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

2. 参数

kernel_size （Union[int， Tuple[int， int]]） – 要占用最大值的窗口大小
stride （Union[int， Tuple[int， int]]） – 窗口的步幅。默认值为 `kernel_size`
padding （Union[int， Tuple[int， int]]） – 要在两边添加的隐式负无穷大填充
dilation （Union[int， Tuple[int， int]]） – 控制窗口中元素步幅的参数
return_indices （bool） – 如果 `True` ，将返回最大索引和输出。对`torch.nn.MaxUnpool2d` 以后有用
ceil_mode （bool） – 当为 True 时，将使用 ceil （向上取整）而不是 floor（向下取整） 来计算输出形状，即即使最后剩余数据不够stride也要进行计算

3. 代码示例

'''
tensor([[[[2., 3.],
          [5., 1.]]]])
'''
import torch  
import torch.nn as nn  
import torch.nn.functional as F  
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)  
kernel = torch.tensor([[1,2,1],  
                       [0,1,0],  
                       [2,1,0]])  
input = torch.reshape(input,(-1,1,5,5))  
class maxpool_test(nn.Module):  
    #input里面需要时小数，如果是整数会默认识别为Long型  
    def __init__(self, *args, **kwargs) -> None:  
        super().__init__(*args, **kwargs)  
        self.maxpool1 = MaxPool2d(kernel_size=3,stride=3,ceil_mode=True)  
  
    def forward(self,input):  
        output = self.maxpool1(input)  
        return output  
  
test = maxpool_test()  
output = test(input)  
print(output)

4. 作用：减少数据信息但是不减少特征