[人工智能]【PyTorch教程】P19 池化

池化

• 结合代码，看pooling需要注意的地方:
  stride滑动的默认值，是kernel的大小，跟conv不一样，注意！

• 参数设置中的ceiling=True：
  
  
  

• Pooling这，一般只有一个参数需要设置：
  

• 结果：

可以运行的代码

# ！usr/bin/env python3
# -*- coding:utf-8 -*-

"""
author :24nemo
 date  :2021年07月07日
"""

from torch import nn
from torch.nn.modules.pooling import MaxPool2d

'''
通过官方文档介绍参数，一般只需要设置 kernel size
其中，ceil_mode是一个重要参数，当kernel滑动，省下的位置，不够kernel的大小，那这组数据还要不要，就是通过ceil_mode来选择的
stride滑动的默认值，是kernel的大小，跟conv不一样，注意
'''

import torch

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)  # 这里要指定input的数据类型，否则报错，long

# 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]])  # 这里要指定input的数据类型，否则报错，long

input = torch.reshape(input, (-1, 1, 5, 5))  # -1 仍然是让他自己计算batch_size，1是channel数
print("input.shape:", input.shape)


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

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


tudui = Tudui()
output = tudui(input)
print("output:", output)

'''
这里输出的是：
torch.Size([1, 1, 5, 5])
tensor([[[[2., 3.],
          [5., 1.]]]])
          
当 ceil_mode = False 时，输出就只有:
torch.Size([1, 1, 5, 5])
tensor([[[[2.]]]])
'''

'''
最大池化的作用：
保留特征的同时，还能减小数据尺寸，加快训练

往往 卷积之后，加一层池化，再归一化（归一化要在非线性激活也就是激活函数之前），后面再非线性激活，也就是：conv ——> pooling ——> batch normalization ——> relu
'''

'''
还有其他的内容，见上面代码，比如tensorboard显示处理结果
'''