您现在的位置是：首页 >技术交流 >[PyTorch][chapter 34][池化层与采样]网站首页技术交流

前言：

       这里主要讲解一下卷积神经网络中的池化层与采样

目录

1. DownSample
2. Max pooling
3. avg pooling
4. upsample
5. ReLu

1： DownSample

       下采样,间隔一定行或者列进行采样，达到降维效果

     早期LeNet-5 就采样该采样方式。

 LeNet-5

2 Max pooling

    最大值采样

    取滑动窗口内的最大值，做采样值，达到降维效果

    AlexNet 采用该种采样方式，取窗口内最大值或平均值

   如最后一个窗口

  max(7,6,4,2)=7

PyTorch nn 模块提供了API ，注意输入必须是3维或者以上的张量

至少是如下格式(channel,width, height)

# -*- coding: utf-8 -*-
"""
Created on Tue May 16 15:53:25 2023

@author: chengxf2
"""

import torch
import torch.nn as nn

def run():
    
    data = torch.arange(0, 16.0).view(1,4,4)
    print("
 input:
",data)
    layer = nn.MaxPool2d(2,stride=2)
    
    pool = layer(data)
    print("
 pool 
",pool)
    
run()
    

3  avg pooling

     平均采样

     取滑动窗口内的平均值，做采样值，达到降维效果

 PyTorch 里面提供了采样函数 F

import torch.nn.functional as F

m = nn.AvgPool2d((2, 2), stride=(2, 2))

4 upsample

   上采样，对应的API 函数如下

torch.nn.functional.interpolate(input,
 size=None, 
scale_factor=None,
 mode='nearest', 
align_corners=None, 
recompute_scale_factor=None)

功能：

利用插值方法，对输入的张量数组进行上下采样操作，换句话说就是科学合理地改变数组的尺寸大小，尽量保持数据完整。

参数

import torch.nn.functional as F
import torch

a=torch.arange(12,dtype=torch.float32).reshape(1,2,2,3)
b=F.interpolate(a,size=(4,4),mode='bilinear')
# 这里的(4,4)指的是将后两个维度放缩成4*4的大小
print(a)
print(b)
print('原数组尺寸:',a.shape)
print('size采样尺寸:',b.shape)

例2：

  输入 x [1,16,7,7]   [img_number,channel, width,height]

   通过插值后只会更改为其长和宽

5 ReLu

   卷积神经网络基本组成部分如下，因为经过

conv2d, batchNorm,Pooling 操作后，图像像素值可能是负的。

图像的像素值不能为负的的，所以正常要加个ReLu 函数

     relu(x)= max(0,x)

参考：

F.interpolate——数组采样操作_视觉萌新、的博客-CSDN博客

课时66 池化层与采样_哔哩哔哩_bilibili