torch.nn.LPPool2d()的理解

最新推荐文章于 2024-08-20 07:00:00 发布

路过不知道

最新推荐文章于 2024-08-20 07:00:00 发布

阅读量636

点赞数 1

分类专栏：深度学习文章标签：深度学习 pytorch python

本文链接：https://blog.csdn.net/weixin_53142585/article/details/128999632

版权

深度学习专栏收录该内容

7 篇文章 0 订阅

订阅专栏

torch.nn.LPPool2d是PyTorch中的一种池化层，它基于p-norm计算，不同于传统的最大池化或平均池化。norm_type参数定义了池化方式，当norm_type=2时，它计算每个窗口内的元素平方和后再开平方根，形成L2池化效果。kernel_size和stride分别定义了窗口大小和步幅，文章通过代码示例展示了LPPool2d如何对输入数据进行处理并输出池化后的结果。

摘要由CSDN通过智能技术生成

torch.nn.LPPool2d(norm_type, kernel_size, stride=None, ceil_mode=False)

每一个窗口的计算公式为：

$f(X)=\sqrt[p]{\sum_{x\in X}^{}x^{p}}$

p即为norm_type，当p= $\infty$ 时，相当于最大池化；当p=1时，相当于Sum池化

kernel_size为滑动窗口大小，可以为一个整数，也可以为一个元组

stride为步幅，默认等于kernel_size

图文示例：

也就是说，池化后的数不再是每个滑动窗口里数的最大值或平均值，而是它们的p次方和再开p次根

代码示例：

# 代码输入：
import torch
import torch.nn as nn

x = torch.range(1,120).reshape(2, 3, 4, 5)
print("原始数据：\n",x.shape, '\n', x)

pool = nn.LPPool2d(norm_type=2, kernel_size=2)
print("池化后数据：\n", pool(x))
print(pool(x).shape)

# 输出结果：
原始数据：
 torch.Size([2, 3, 4, 5]) 
 tensor([[[[  1.,   2.,   3.,   4.,   5.],
          [  6.,   7.,   8.,   9.,  10.],
          [ 11.,  12.,  13.,  14.,  15.],
          [ 16.,  17.,  18.,  19.,  20.]],

         [[ 21.,  22.,  23.,  24.,  25.],
          [ 26.,  27.,  28.,  29.,  30.],
          [ 31.,  32.,  33.,  34.,  35.],
          [ 36.,  37.,  38.,  39.,  40.]],

         [[ 41.,  42.,  43.,  44.,  45.],
          [ 46.,  47.,  48.,  49.,  50.],
          [ 51.,  52.,  53.,  54.,  55.],
          [ 56.,  57.,  58.,  59.,  60.]]],


        [[[ 61.,  62.,  63.,  64.,  65.],
          [ 66.,  67.,  68.,  69.,  70.],
          [ 71.,  72.,  73.,  74.,  75.],
          [ 76.,  77.,  78.,  79.,  80.]],

         [[ 81.,  82.,  83.,  84.,  85.],
          [ 86.,  87.,  88.,  89.,  90.],
          [ 91.,  92.,  93.,  94.,  95.],
          [ 96.,  97.,  98.,  99., 100.]],

         [[101., 102., 103., 104., 105.],
          [106., 107., 108., 109., 110.],
          [111., 112., 113., 114., 115.],
          [116., 117., 118., 119., 120.]]]])
池化后数据：
 tensor([[[[  9.4868,  13.0384],
          [ 28.4605,  32.4037]],

         [[ 48.2701,  52.2494],
          [ 68.1909,  72.1803]],

         [[ 88.1476,  92.1412],
          [108.1203, 112.1160]]],


        [[[128.1015, 132.0984],
          [148.0878, 152.0855]],

         [[168.0774, 172.0756],
          [188.0691, 192.0677]],

         [[208.0625, 212.0613],
          [228.0570, 232.0560]]]])
torch.Size([2, 3, 2, 2])