销售系统管理软件免费,成都白帽优化,九江专业网站建设定制,做电视的视频网站吗池化层 卷积层对位置太敏感了#xff0c;可能一点点变化就会导致输出的变化#xff0c;这时候就需要池化层了#xff0c;池化层的主要作用就是缓解卷积层对位置的敏感性 二维最大池化 这里有一个窗口#xff0c;来滑动#xff0c;每次我们将窗口中最大的值给拿出来 还是上… 池化层 卷积层对位置太敏感了可能一点点变化就会导致输出的变化这时候就需要池化层了池化层的主要作用就是缓解卷积层对位置的敏感性 二维最大池化 这里有一个窗口来滑动每次我们将窗口中最大的值给拿出来 还是上面的例子这里的最大池化窗口为2*2 填充、步幅和多个通道 这里基本与卷积层类似与卷积层不同的是池化层不需要学习任何的参数 平均池化层 与最大池化层不同的地方在于将最大操作子变为平均最大池化层是将每个窗口中最强的信号输出平均池化层就是取每个窗口中的平均效果 总结 实现池化层
import torch
from torch import nn
from d2l import torch as d2l# 实现池化层的正向传播这里没有padding没有stride
def pool2d(X, pool_size, modemax):p_h, p_w pool_size # 这里我们拿到池化窗口的高和宽Y torch.zeros((X.shape[0] - p_h 1, X.shape[1] - p_w 1)) # 这里我们先把输出的形状给构造好# 遍历输入然后赋值for i in range(Y.shape[0]):for j in range(Y.shape[1]):if mode max: # 这里做最大池化Y[i, j] X[i:i p_h, j:j p_w].max() elif mode avg: # 这里做平均池化Y[i, j] X[i:i p_h, j:j p_w].mean()return Y# 验证二维最大池化层的输出
X torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
pool2d(X, (2, 2))tensor([[4., 5.],[7., 8.]])#验证平均池化层的输出
pool2d(X, (2, 2), avg)tensor([[2., 3.],[5., 6.]])# 填充和步幅
X torch.arange(16, dtypetorch.float32).reshape((1, 1, 4, 4)) # 这里我们创建一个4*4的矩阵通道为1批量大小为1
Xtensor([[[[ 0., 1., 2., 3.],[ 4., 5., 6., 7.],[ 8., 9., 10., 11.],[12., 13., 14., 15.]]]])# PyTorch中的步幅与池化层窗口的大小相同
pool2d nn.MaxPool2d(3) # 这里3的意思就是一个3*3的窗口这里没有指定步幅和填充
pool2d(X)/Users/tiger/opt/anaconda3/envs/d2l-zh/lib/python3.8/site-packages/torch/nn/functional.py:718: UserWarning: Named tensors and all their associated APIs are an experimental feature and subject to change. Please do not use them for anything important until they are released as stable. (Triggered internally at ../c10/core/TensorImpl.h:1156.)return torch.max_pool2d(input, kernel_size, stride, padding, dilation, ceil_mode)tensor([[[[10.]]]])# 手动设定填充和步幅
pool2d nn.MaxPool2d(3, padding1, stride2)
pool2d(X)tensor([[[[ 5., 7.],[13., 15.]]]])# 设定一个任意大小的矩形池化窗口并分别设定填充和步幅的高度和宽度
pool2d nn.MaxPool2d((2, 3), padding(1, 1), stride(2, 3)) # 这里padding是对称的这里的stride和窗口大小一样不重叠
pool2d(X)tensor([[[[ 1., 3.],[ 9., 11.],[13., 15.]]]])# 池化层在每个输入通道上单独运算
X torch.cat((X, X 1), 1) # 这里cat是拼接两个张量1的意思是按照维度1来拼接pool2d nn.MaxPool2d(3, padding1, stride2) # padding参数是有一个行和宽的假设我们指定一个数的话他的padding就是等于那个值如果用一个元组的话前面的就是对于行的padding后面的就是对于列的padding
pool2d(X)tensor([[[[ 5., 7.],[13., 15.]],[[ 6., 8.],[14., 16.]]]])文章知识点与官方知识档案匹配可进一步学习相关知识Python入门技能树首页概览384043 人正在系统学习中
