Pytorch 里 nn.AdaptiveAvgPool2d(output_size) 原理

最新推荐文章于 2025-10-29 16:43:12 发布
原创 最新推荐文章于 2025-10-29 16:43:12 发布 · 1.2w 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

本文通过一个简单示例，详细解释了PyTorch中AdaptiveAvgPool2d函数的工作原理。输入一个(1,1,3,3)大小的张量，在经过AdaptiveAvgPool2d(2)处理后，输出变为2*2的张量。文章深入探讨了平均池化过程及自适应调整的strides和paddings参数。
部署运行你感兴趣的模型镜像

举个简单的例子：输入的是(1,1, 3,3)大小的tensor，然后在 nn.AdaptiveAvgPool2d(2)的作用下，会成为一个2*2的tensor，首先要知道采用的是平均池化，比如:

1,2,3

4,5,6

7,8,9

因为函数是自适应，所以strides，paddings等参数都自适应好了，这个例子中，strides=1，最终结果为：

3,4

6,7

这是我的理解，有错误欢迎指正，谢谢

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

Pytorch中的nn.AdaptiveAvgPool2d(output_size)简单介绍
#仙女不扎马尾#的博客
04-21 2801
文章目录1 什么是池化？（Pooling）2 adaptivePooling和GeneralPooling3 代码调用 1 什么是池化？（Pooling） Pooling，池化层，又称下采样、汇聚层，是从样本中再选样本的过程。是为了缩减数据维度的操作。 Pooling主要分两类：①最大池化（Max pooling）②均值池化（Avg pooling） 前者是取size×size中最大值。后者是采用平均值。 2 adaptivePooling和GeneralPooling AdaptivePoolin
Pytorch nn.AdaptiveAvgPool2d
weixin_44317740的博客
03-05 917
Pytorch nn.AdaptiveAvgPool2dnn.AdaptiveAvgPool2d(output_size)H*W的输出H*H的输出 nn.AdaptiveAvgPool2d(output_size) class torch.nn.AdaptiveAvgPool2d(output_size) 对输入信号，提供2维的自适应平均池化操作。 输入的大小任意。但是输入和输出特征的数目不会变...
pytorch-nn_AvgPool2d
最新发布
m0_64260769的博客
10-29 171
创建了一个2x2的平均池化层。这个池化层会将输入张量中每2x2的区域内的元素取平均值，并作为输出。输入张量中每2x2的区域内的元素取平均值，并作为输出。
PyTorch库学习之nn.AdaptiveAvgPool2d函数
qq_46396470的博客
08-11 1036
是 PyTorch 中用于实现自适应平均池化操作的模块。这个模块将输入特征图调整到指定的输出尺寸，通过对特征图中的区域进行平均池化操作来实现。与固定大小的池化操作不同，自适应平均池化可以动态调整特征图的尺寸，使得输出具有指定的高度和宽度。
PyTorch-torch.nn.AdaptiveAvgPool2d
qq_45893319的博客
01-06 840
实例参考： 1、PyTorch - torch.nn.AdaptiveAvgPool2d 原理参考： 2、nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d() 模块的区别
pytorch里面的nn.AdaptiveAvgPool2d
子燕若水的博客
08-22 1582
举个例子，假设输入信号的大小为(1, 3, 4, 4)，即有1个批次（batch），3个输入平面（input planes），每个平面的高度和宽度都为4。如果我们使用nn.AdaptiveAvgPool2d((2, 2))对其进行自适应平均池化，那么输出信号的大小为(1, 3, 2, 2)，即有1个批次，3个输出平面（output planes），每个平面的高度和宽度都为2。每个输出平面上的元素都是对应输入平面上的2 x 2窗口内的元素求平均值得到的。
pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解
12-23
CLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE] Applies a 2D adaptive average pooling over an input signal composed of several input planes. The output is of size H x W, for any input size. The ...
【pytorch】nn.AdaptiveAvgPool2d教程
loinleeai的博客
04-16 979
是一个非常有用的二维自适应平均池化层，可以自动适应输入信号的尺寸变化，输出指定尺寸的特征图。它具有灵活性高、保留特征数量、参数简单等优点，但也存在信息丢失、计算量较大等缺点。在实际使用中，可以根据具体需求选择是否使用。
nn.AdaptiveAvgPool2d(output_size)输入和输出怎么回事？
qq_51219814的博客
12-04 1888
函数作用：自适应进行平均池化。不用管输入、stride、padding，函数参数只有输出大小，其他的这个函数帮你搞定。问题就是，我想知道他是咋搞定的？
pytorch nn.AdaptiveAvgPool2d()
qq_42178122的博客
06-04 619
torch.nn.AdaptiveAvgPool2d() 自适应平均池化函数，该函数只需要给定输出特征图的大小，其中通道数前后不变。 例子 m = nn.AdaptiveAvgPool2d((3,7)) input = torch.randn(1, 64, 8, 9) #input：torch.Size([1, 64, 3, 7]) m = nn.AdaptiveAvgPool2d(7) input = torch.randn(1, 64, 10, 9) #input：torch.Size([1, 64,
PyTorch nn.AdaptiveAvgPool2d 自适应池化
jianghuixin
11-29 1863
PyTorch 中 nn.AdaptiveAvgPool2d 与 nn.AvgPool2d 功能一样都是平均池化, 但接收的参数不一样 nn.AvgPool2d: 滑动窗口的大小 kernel_size 填充 padding 步长 stride nn.AdaptiveAvgPool2d: 仅需要指定输出特征图的尺寸 以特征图减半的池化为例 输入数据 import torch inp = torch.arange(36, dtype=torch.float).view(1, 6, 6) print(
Pytorch学习之AdaptiveAvgPool2d函数
qq_46396470的博客
07-04 2628
是 PyTorch 中用于实现自适应平均池化（Adaptive Average Pooling）的模块。该层将输入特征图的高度和宽度调整到指定的输出尺寸，通过对输入特征图的不同区域取平均值来生成输出特征图。与固定大小的池化层（如AvgPool2d）不同，自适应池化可以处理任意大小的输入特征图，并将其调整为固定的输出尺寸。
Pytorch深度学习随手记（2）pytorch中nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d() 的区别
Promise11161314的博客
11-01 902
简单概括：都是做二维的平均池化但它们关注的参数不一样。 nn.AdaptiveAvgPool2d(output_size) #参数指定输出固定尺寸 自适应就是 这个意思就是你在下面休息它会自己动，所以给定输出尺寸如（H,W）就行 nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True) #参数指定 核大小，步长，填充，F向下取整（T向上取整），计算时是否包含pad的0.
【三维点云分割】 adaptive_avg_pool2d解释示例
controlourself的博客
04-27 1714
与传统的池化方法不同，自适应平均池化（Adaptive Average Pooling）能够根据输入的形状自动调整输出的形状。具体而言，它通过指定期望的输出特征图大小，自动计算需要做多少步采样，并对每个采样区域上的特征值取平均值作为输出的特征值。因此，adaptive_avg_pool2d可以方便地处理各种输入大小到同样大小的输出大小的问题。常规的池化操作如最大池化、平均池化等都是固定的池化核大小，这样会导致在不同输入大小的情况下，最终得到的特征图的大小也会不同。
nn.AdaptiveAvgPool2d
芒果干的博客
11-06 1万+
torch.nn.AdaptiveAvgPool2d torch.nn.AdaptiveAvgPool2d(output_size) output_size：可以为tuple类型(H, W)，也可以为一个数字H表示(H, H)，H,W可以为int或者None类型，如果是None默认与输入相同大小 二维平均自适应池化，只需要给出输出的参数就可以自动寻找相应的kernal size以及stride Applies a 2D adaptive average pooling over an input si
【Pytorch】AdaptiveAvgPool2d的用法
mjiansun的专栏
07-03 3万+
torch.nn.functional.adaptive_avg_pool2d(input,output_size) 意思就是不管之前的特征图尺寸为多少，只要设置为(1,1)，那么最终特征图大小都为(1,1) def _make_test_model(): import torch.nn as nn from inferno.extensions.laye...
AdaptiveAvgPool2d函数解读
whutfan的博客
05-18 1088
AdaptiveAvgPool2d CLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE] Applies a 2D adaptive average pooling over an input signal composed of several input planes. The output is of size H x W, for any input size. The number of output features is equal to t
pytorch AdaptivePool2d
weixin_43436824的博客
06-09 906
再看代码时候看到了这个 顺便学习一下 self.pool1 = AdaptiveAvgPool2d(1） AdaptiveAvgPool2d(output_size) 自适应池化Adaptive Pooling是PyTorch的一种池化层，根据1D，2D，3D以及Max与Avg可分为六种形式。 自适应池化Adaptive Pooling与标准的Max/AvgPooling区别在于，自适应池化Ada...
pytorch torch.nn.AdaptiveAvgPool2d() 自适应平均池化函数解析
热门推荐
CVer
04-01 4万+
如题：只需要给定输出特征图的大小就好，其中通道数前后不发生变化。具体如下： AdaptiveAvgPool2d CLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE] Applies a 2D adaptive average pooling over an input signal composed of several input pla...
pytorch nn.adaptiveavgpool2d公式
04-30
PyTorch中的nn.adaptiveavgpool2d是一种自适应平均池化函数，用于将输入张量的大小调整为指定输出大小。它采用的池化方式与常规2D平均池化相同，但可以选择使用指定的输出大小，而无需输入形状。 公式如下： ``` ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值