企业官网建设流程全解析

一、池化层计算

池化层 (Pooling)降低维度, 从而减少计算量、减少内存消耗，并提高模型的鲁棒性。

池化层通常位于卷积层之后，它通过对卷积层输出的特征图进行下采样，保留最重要的特征信息，同时丢弃一些不重要的细节。

最大池化(Max Pooling) ：通过池化窗口进行最大池化，取窗口中的最大值作为输出：

平均池化(Avg Pooling) ：取窗口内的所有值的均值作为输出：

二、Padding

三、Stride

四、多通道池化层计算

在处理多通道输入数据时，池化层对每个输入通道分别池化，而不是像卷积层那样将各个通道的输入相加。这意味着池化层的输出和输入的通道数是相等（卷积会改变通道数、池化不会改变通道数，）。

五、PyTorch 池化 API

""" 案例: 演示池化层相关操作. 池化层解释(Pooling): 目的: 降维. 思路: 最大池化. 平均池化. 特点: 池化不会改变数据的 通道数. """ # 导包 import torch import torch.nn as nn # 1. 定义函数, 演示单通道池化. def dm01(): # 1. 创建1个 1通道 3*3的二维矩阵. inputs = torch.tensor([ # 1 通道C [ # 3 高度H [0, 1, 2], # 3 宽度W [3, 4, 5], [6, 7, 8] ] ]).float() # print(f'inputs: {inputs}, shape: {inputs.shape}') # (1, 3, 3) # 2. 创建最大池化层. # 参1: 池化核(池化窗口)大小, 参2: 步长, 参3: 填充. pool1 = nn.MaxPool2d(2, 1, 0) outpus = pool1(inputs) print(f'outpus: {outpus}, shape: {outpus.shape}') # (1, 2, 2) # 3. 创建平均池化层. pool2 = nn.AvgPool2d(2, 1, 0) outpus = pool2(inputs) print(f'outpus: {outpus}, shape: {outpus.shape}') # (1, 2, 2) # 2. 定义函数, 演示多通道池化. def dm02(): # 1. 创建1个 3通道 3*3的二维矩阵. inputs = torch.tensor([ # 3 通道C [ # 通道1, HW 3,3 [0, 1, 2], [3, 4, 5], [6, 7, 8] ], [ # 通道2, HW 3,3 [10, 20, 30], [40, 50, 60], [70, 80, 90] ], [ # 通道3, HW 3,3 [11, 22, 33], [44, 55, 66], [77, 88, 99] ] ]).float() # print(f'inputs: {inputs}, shape: {inputs.shape}') # (3, 3, 3) # 2. 创建最大池化层. # 参1: 池化核(池化窗口)大小, 参2: 步长, 参3: 填充. pool1 = nn.MaxPool2d(2, 1, 0) outpus = pool1(inputs) print(f'outpus: {outpus}, shape: {outpus.shape}') # (3, 2, 2) # 3. 创建平均池化层. pool2 = nn.AvgPool2d(2, 1, 0) outpus = pool2(inputs) print(f'outpus: {outpus}, shape: {outpus.shape}') # (3, 2, 2) # 3. 测试. if __name__ == '__main__': dm01() dm02()