池化层-李沐老师-pytorch

import torch
from torch import nn
from d2l import torch as d2l

def pool2d(X,pool_size,mode='max'):
    p_h,p_w=pool_size
    Y=torch.zeros((X.shape[0]-p_h+1,X.shape[1]-p_w+1))
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            if mode=='max':
                Y[i,j]=X[i:i+p_h,j:j+p_w].max()
            elif mode=='avg':
                Y[i,j]=X[i:i+p_h,j:j+p_w].mean()
    return Y

X=torch.tensor([[0.0,1.0,2.0],[3.0,4.0,5.0],[6.0,7.0,8.0]])
Q=pool2d(X,(2,2))
print(Q)

Q=pool2d(X,(2,2),'avg')
print(Q)

X=torch.arange(16,dtype=torch.float32).reshape((1,1,4,4))
print(X)

pool2d=nn.MaxPool2d(3)
Q=pool2d(X)
print(Q)

#填充和步幅可以手动设定
pool2d=nn.MaxPool2d(3,padding=1,stride=2)
Q=pool2d(X)
print(Q)

#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))
Q=pool2d(X)
print(Q)

X=torch.cat((X,X+1),1)
print(X)

pool2d=nn.MaxPool2d(3,padding=1,stride=2)
Q=pool2d(X)
print(Q)

输出：

tensor([[4., 5.],
        [7., 8.]])
tensor([[2., 3.],
        [5., 6.]])
tensor([[[[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  6.,  7.],
          [ 8.,  9., 10., 11.],
          [12., 13., 14., 15.]]]])
tensor([[[[10.]]]])
tensor([[[[ 5.,  7.],
          [13., 15.]]]])
tensor([[[[ 1.,  3.],
          [ 9., 11.],
          [13., 15.]]]])
tensor([[[[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  6.,  7.],
          [ 8.,  9., 10., 11.],
          [12., 13., 14., 15.]],

         [[ 1.,  2.,  3.,  4.],
          [ 5.,  6.,  7.,  8.],
          [ 9., 10., 11., 12.],
          [13., 14., 15., 16.]]]])
tensor([[[[ 5.,  7.],
          [13., 15.]],

         [[ 6.,  8.],
          [14., 16.]]]])