P9：最大池化的使用

爱摸鱼的经济er

于 2023-01-13 10:16:59 发布

阅读量280

点赞数

分类专栏： PyTorch学习笔记文章标签：深度学习 pytorch 人工智能 python 神经网络

本文链接：https://blog.youkuaiyun.com/The_friends/article/details/128669679

版权

PyTorch学习笔记专栏收录该内容

19 篇文章

订阅专栏

文章展示了如何在PyTorch中进行池化操作，定义了一个简单的网络结构Tudui，包含一个MaxPool2d层。通过实例演示了对输入数据进行池化处理的过程，并利用TensorBoard进行可视化，以便于在实际数据集上观察和理解池化层的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、池化操作：

输入如下：

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


dataloader = DataLoader(dataset, batch_size=64,)
input = torch.tensor([[1,2,0,3,1],
                      [0,1,2,3,1],
                      [1,2,1,0,0],
                      [5,2,3,1,1],
                      [2,1,0,1,1]],dtype=torch.float32)
input = torch.reshape(input, (-1,1,5,5))
print(input.shape)

形状如下：

2、定义网络：

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=True)

    def forward(self, input):
        output = self.maxpool1(input)
        return output

3、调用神经网络：

tudui = Tudui()
output = tudui(input)
print(output)

结果如下：

4、在现实数据集中使用池化层：

tudui = Tudui()
# output = tudui(input)
# print(output)
writer = SummaryWriter('logs_maxpool')
step = 0
for data in dataloader:
    imgs, targets = data
    writer.add_images('input', imgs, step)
    output = tudui(imgs)
    writer.add_images('output', output, step)
    step += 1
writer.close()

结果如下：