九、池化层

一、Pooling layers

Pooling layers官网文档

MaxPool最大池化层下采样
MaxUnpool最大池化层上采样
AvgPool最大池化层平均采样

例如：池化核为(3,3)，输入图像为(5,5)，步长为1，不加边
最大池化就是选出在池化核为单位图像中的最大的值

二、MaxPool2d

torch.nn.MaxPool2d官网API
torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

参数	解释
kernel_size	池化核的大小
stride	池化核移动时的步长，默认值为kernel_size
padding	是否对原图像进行加边操作
dilation	池化核映射到图像上每个池化核单元是否有距离，又称空洞池化或空洞卷积
return_indices
ceil_mode	True时，使用ceil模式(2.31取2，向下取整，舍去小数，保留边缘剩余数据)；False时使用floor模式，默认为False (2.31取3，向上取整，整数加一，舍去边缘剩余数据)

三、代码实操

对一个(5,5)的数据进行(kernel_size=3)池化核为(3,3)，步长(stride)没传 默认为池化核大小(kernel_size=3)为3，padding也没传参默认为0表示不加边，ceil_mode=True保留边缘剩余数据
MaxPool2d(kernel_size=3,ceil_mode=True)
通过池化层处理之后，输出一个结果为二维tensor[[5,5],[5,5,]]

import torch
from torch import nn
from torch.nn import MaxPool2d

input = torch.tensor([[1,2,3,4,5],
                      [5,4,3,2,1],
                      [1,2,3,4,5],
                      [5,4,3,2,1],
                      [1,2,3,4,5]],dtype=torch.float32)
#RuntimeError: "max_pool2d" not implemented for 'Long'  需要将数据进行转换dtype=torch.float32

input = torch.reshape(input,(-1,1,5,5))

print(input.shape)#torch.Size([1, 1, 5, 5])

class Beyond(nn.Module):
    def __init__(self):
        super(Beyond,self).__init__()
        self.maxpool_1 = MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output = self.maxpool_1(input)
        return output

beyond = Beyond()
output = beyond(input)
print(output)
"""
tensor([[[[5., 5.],
          [5., 5.]]]])
"""

四、池化层意义

保留输入图像的特征，同时把数据量给减小
(5,5)的图像，经过池化层就会变成(3,3)甚至(1,1)
数据量的减小对于神经网络而言，参数少了，训练的速度会更快

五、通过池化层处理CIFAR-10数据集

对CIFAR10的1w张测试集数据进行(kernel_size=3)池化核为(3,3)，步长(stride)没传 默认为池化核大小(kernel_size=3)为3，padding也没传参默认为0表示不加边，ceil_mode=True保留边缘剩余数据
MaxPool2d(kernel_size=3,ceil_mode=True)

import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset_test = torchvision.datasets.CIFAR10("CIFAR_10",train=False,transform=torchvision.transforms.ToTensor(),download=True)

dataloader = DataLoader(dataset=dataset_test,batch_size=64)#64张为一组

class Beyond(nn.Module):
    def __init__(self):
        super(Beyond,self).__init__()
        self.maxpool_1 = MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output = self.maxpool_1(input)
        return output

beyond = Beyond()
writer = SummaryWriter("y_log")

i=0
for data in dataloader:
    imgs,targets = data
    writer.add_images("input_maxpool",imgs,i)
    output = beyond(imgs)
    writer.add_images("output_maxpool",output,i)
    i = i + 1

writer.close()

在Terminal下运行tensorboard --logdir=y_log --port=7870，logdir为打开事件文件的路径，port为指定端口打开；
通过指定端口7870进行打开tensorboard，若不设置port参数，默认通过6006端口进行打开。

点击该链接或者复制链接到浏览器打开即可