龙岗建网站,网站建设和优司怎么样,西安网站免费制作,手机搭建个人网站池化层通过减少特征图的尺寸来降低计算量和参数数量#xff0c;同时增加模型的平移不变性和鲁棒性。汇聚层的主要优点之一是减轻卷积层对位置的过度敏感。 1 最大汇聚层、平均汇聚层
汇聚层和卷积核一样#xff0c;是在输入图片上进行滑动计算#xff0c;但是不同于卷积层的… 池化层通过减少特征图的尺寸来降低计算量和参数数量同时增加模型的平移不变性和鲁棒性。汇聚层的主要优点之一是减轻卷积层对位置的过度敏感。 1 最大汇聚层、平均汇聚层
汇聚层和卷积核一样是在输入图片上进行滑动计算但是不同于卷积层的互相关运算汇聚层的运算通常是计算汇聚窗口中所有元素的最大值或平均值。
1.1 最大汇聚层 上面操作的代码如下
import torch
from torch import nnX torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]]])# 设置一个2*2的最大池化层
max_poolingnn.MaxPool2d(kernel_size2,stride1)# 执行卷积操作
y max_pooling(X)print(y.shape)
print(y) 运行结果
1.2 平均汇聚层 import torch
from torch import nnX torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]]])# 设置一个2*2的最大池化层
avg_poolingnn.AvgPool2d(kernel_size2,stride1)# 执行卷积操作
y avg_pooling(X)print(y.shape)
print(y) 运行结果
2 填充和步幅
torch自带的汇聚层函数也可以进行填充和步幅设置。
2.1 平均汇聚层
AvgPool2d 的基本用法
参数说明
kernel_size 池化窗口的大小可以是一个整数或一个元组 (height, width)。stride 池化窗口的移动步幅默认值为 kernel_size。padding 输入特征图的边缘填充大小默认值为 0count_include_pad 是否在计算平均值时包括填充的零默认值为 True。divisor_override 用于除法的自定义除数默认值为 None表示使用窗口大小作为除数。
2.2 最大池化层
MaxPool2d 的基本用法 参数说明
kernel_size 池化窗口的大小可以是一个整数或一个元组 (height, width)。stride 池化窗口的移动步幅默认值为 kernel_size。padding 输入特征图的边缘填充大小默认值为 0。dilation 池化窗口的膨胀系数默认值为 1。return_indices 是否返回最大值的索引默认值为 False。ceil_mode 是否使用向上取整的方式计算输出尺寸默认值为 False。
3 多个通道
在处理多通道输入数据时汇聚层的输出通道数与输入通道数相同。
