pytorch里面的nn.AdaptiveAvgPool2d

今天遇到nn.AdaptiveAvgPool2d((None, 1))

pytorch里面的nn.AdaptiveAvgPool2d_第1张图片

 AdaptiveAvgPool2d函数详细解释:

  • 2D自适应平均池化(2D adaptive average pooling)是一种对输入信号进行二维平均池化的操作,输入信号由多个输入平面(input planes)组成,每个输入平面可以理解为一个二维矩阵或图像。
  • 平均池化(average pooling)是一种降采样(downsampling)的方法,它将输入信号划分为多个小窗口(window),并对每个窗口内的元素求平均值,得到一个输出元素。这样可以减少计算量和内存占用,同时保留输入信号的主要特征。
  • 自适应(adaptive)的意思是,输出的大小(H x W)不依赖于输入的大小,而是由参数output_size指定。这样可以使得输出的大小与任务的需求相匹配,而不需要手动调整池化窗口的大小和步长(stride)。
  • 输出的特征数(number of output features)等于输入平面的数目(number of input planes),即每个输入平面对应一个输出平面,不会发生通道混合(channel mixing)。
  • 参数output_size是一个指定输出大小的参数,它可以是一个整数、一个元组或者None。如果是一个整数H,那么表示输出为正方形,大小为H x H。如果是一个元组(H, W),那么表示输出为长方形,大小为H x W。如果是None,那么表示输出与输入大小相同。H和W可以分别为整数或None,如果为None,那么表示该维度与输入相同。

例子:

举个例子,假设输入信号的大小为(1, 3, 4, 4),即有1个批次(batch),3个输入平面(input planes),每个平面的高度和宽度都为4。如果我们使用nn.AdaptiveAvgPool2d((2, 2))对其进行自适应平均池化,那么输出信号的大小为(1, 3, 2, 2),即有1个批次,3个输出平面(output planes),每个平面的高度和宽度都为2。每个输出平面上的元素都是对应输入平面上的2 x 2窗口内的元素求平均值得到的。 

你可能感兴趣的:(python,cuda&深度学习环境,深度学习算法,pytorch,人工智能,python)