当前位置：网站首页>Pytorch中的nn.AdaptiveAvgPool2d(output_size)简单介绍

Pytorch中的nn.AdaptiveAvgPool2d(output_size)简单介绍

2022-04-21 20:33:00 【研究生不迟到】

文章目录

1 什么是池化？（Pooling）

  1. Pooling，池化层，又称下采样、汇聚层，是从样本中再选样本的过程。是为了缩减数据维度的操作。
  2. Pooling主要分两类：①最大池化（Max pooling）②均值池化（Avg pooling）
    前者是取size×size中最大值。后者是采用平均值。

2 adaptivePooling和GeneralPooling

  • AdaptivePooling，自适应池化层。使用这种池化方式，核（kernal）和步长（stride）是函数根据输入的原始尺寸、目标尺寸自动计算出来的。

  • GeneralPooling，非自适应池化层，需要指定核的大小和步长。

3 代码调用

  • 无需自己实现底层代码，可以直接调用torch.nn.AdaptiveAvgPool2d(X)
  1. 非自适应方式的调用
# 最大池化
out = nn.MaxPool2d(kernel_size=2,stride=2)  

# 均值池化
out = nn.AvgPool2d(kernel_size=2,stride=2)
  1. 自适应方式的调用
    这里只需要指定output_size， 一个参数代表W和H相同，也可以自定义（H,W）
# 自适应最大池化
out=nn.AdaptiveAvgPool2d(output_size=100)

# 自适应均值池化
out=nn.AdaptiveMaxPool2d((10, 15))

版权声明
本文为[研究生不迟到]所创，转载请带上原文链接，感谢
https://blog.csdn.net/weixin_42521185/article/details/124322330

边栏推荐

猜你喜欢

随机推荐