PyTorch深度学习——最大池化层的使用

最大池化层的作用：
（1）首要作用，下采样
（2）降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗等
（3）实现非线性、
（4）扩大感知野。
（5）实现不变性，其中不变形性包括，平移不变性、旋转不变性和尺度不变性。
官方参考文档：
MAXPOOL2D

重要的 参数：
相关计算公式：

下面举一个例子：
通过对一个数组操作，获取其平均采样值：

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)

input = torch.reshape(input,(-1,1,5,5))
print(input.shape)

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

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

siri = Siri()
output = siri(input)
print(output)

ceil是向上取整，floor是向下取整，默认为ceil_mode=False

当ceil_mode=False时：

torch.Size([1, 1, 5, 5])
tensor([[[[2.]]]])

当ceil_mode=True时：

torch.Size([1, 1, 5, 5])
tensor([[[[2., 3.],
          [5., 1.]]]])

下面是对CIFAR10数据集的操作：

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(root="./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)

dataloader = DataLoader(dataset,batch_size=64)

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

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


siri = Siri()

step = 0
writer = SummaryWriter("logs_maxpool")

运行结果：