神经网络——最大池化
最大池化的目的在于保留原特征的同时减少神经网络训练的参数，使得训练时间减少。相当于1080p的视频变为了720p
最大池化介绍
池化层最常用的是下采样，其中参数：
kernel_size：设置取最大值的窗口，类似于卷积层的卷积核，如果传入参数是一个int型，则生成一个正方形，边长与参数相同；若是两个int型的元组，则生成长方形。
stride：步径，与卷积层不同，默认值是kernel_size的大小。
padding：和卷积层一样，用法类似于kernel_size。
dilation：控制窗口中元素步幅的参数，就是两两元素之间有间隔：
ceil_mode：设置ceil模式和floor模式。比如有一个数据：
kernel_size为3：
第一次匹配：
挑选出9个数中最大的值：2，然后先向右移动 kernel_size大小的距离：
此时因为数据没有凑足kernel_size的大小，便涉及取舍问题，ceil_mode为True，则保留，结果为3，若为False，则不保留。得到两种情况的最大池化结果：
ceil_mode = True：
ceil_mode = False：
图像相关尺寸公式：
代码实现
上述验证
先用上面的例子进行验证。首先，初始化输入：
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]])可知，input需要有四个参数，batch_size、channel、输入的高、输入的宽，则设置：
input = torch.reshape(input, [-1, 1, 5, 5])创建一个神经网络：
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
self.maxpool1 = nn.MaxPool2d(kernel_size=3, ceil_mode=True)
def forward(self, input):
return self.maxpool1(input)如果我们将数据放到神经网络训练，会报错，因为不支持输入"Long"型数据，则略修改：
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)
model = Model()
print(model(input))输出结果：
tensor([[[[2., 3.],
[5., 1.]]]])
与之前的值一致。
可视化表示
和卷积不同，池化输入为三维，输出仍然为三维，最后图片显示不用reshape。
采用CIFAR10数据集的照片：
#设置dataloader
dataset = torchvision.datasets.CIFAR10("./dataset", False, torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, 64)使用Tensorboard：
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
model = Model()
writer = SummaryWriter("logs")
step = 0
for data in dataloader:
imgs,targets = data
writer.add_images("inputs", imgs, step)
outputs = model(imgs)
writer.add_images("outpuxts", outputs, step)
step = step+1
writer.close()观察图片:
图片变模糊，保留原图片的特征，让训练参数减少。