Pytorch中的nn.AdaptiveAvgPool2d

文章目录

• 1 什么是池化？（Pooling）
• 2 adaptivePooling和GeneralPooling
• 3 代码调用

1 什么是池化？（Pooling）

1. Pooling，池化层，又称下采样、汇聚层，是从样本中再选样本的过程。是为了缩减数据维度的 *** 作。
2. Pooling主要分两类：①最大池化（Max pooling）②均值池化（Avg pooling）
   前者是取size×size中最大值。后者是采用平均值。

2 adaptivePooling和GeneralPooling

• AdaptivePooling，自适应池化层。使用这种池化方式，核（kernal）和步长（stride）是函数根据输入的原始尺寸、目标尺寸自动计算出来的。

• GeneralPooling，非自适应池化层，需要指定核的大小和步长。

3 代码调用

• 无需自己实现底层代码，可以直接调用torch.nn.AdaptiveAvgPool2d(X)

1. 非自适应方式的调用

# 最大池化
out = nn.MaxPool2d(kernel_size=2,stride=2)  

# 均值池化
out = nn.AvgPool2d(kernel_size=2,stride=2)  

2. 自适应方式的调用
   这里只需要指定output_size， 一个参数代表W和H相同，也可以自定义（H,W）

# 自适应最大池化
out=nn.AdaptiveAvgPool2d(output_size=100)

# 自适应均值池化
out=nn.AdaptiveMaxPool2d((10, 15))