神经网络—最大池化的使用MaxPool2d（）

1.最大池化的特征：保留数据特征但减少数据量

2.MaxPool2d（）形参说明：

kernel_size：要接受最大值的窗口大小

stride：移动的步长。默认大小是池化核的长度

padding：填充的大小

ceil_mode:为True时，池化核没有完全覆盖图像，找一个最大值。为False丢弃。

3.图像演示【找最大值】

 1.结果为最大值2

 下一次移动，如果ceil_mode:为True。结果是3。如果ceil_mode:为True。结果舍弃

 

最后结果：

 【代码实现1】

import torch
from torch import nn
from torch.nn import MaxPool2d

# 输入图像
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)
# 转换
input = torch.reshape(input, (-1, 1, 5, 5))

# 创建神经网络
class net(nn.Module):
    def __init__(self):
        super(net, self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)

    def forward(self,x):
        return self.maxpool1(x)

wang = net()
output = wang(input)
print(output)

 【代码实现2】

import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader

# 数据集
from torch.utils.tensorboard import SummaryWriter
dataset = torchvision.datasets.CIFAR10(root="./dataset", 
train=False, transform=torchvision.transforms.ToTensor(),
download=True)
# 加载数据集
dataloader = DataLoader(dataset, batch_size=64)


# 创建神经网络
class net(nn.Module):
    def __init__(self):
        super(net, self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)

    def forward(self, x):
        return self.maxpool1(x)


wang = net()
write = SummaryWriter("r10")
i = 0
for data in dataloader:
    img, target = data
    output = wang(img)
    #     输入
    write.add_images("输入", img, i)
    # 输出
    write.add_images("输出", output, i)
    i = i + 1

write.close()

结果：