一起来学PyTorch——神经网络（池化层）

最新推荐文章于 2025-09-27 13:58:43 发布

原创最新推荐文章于 2025-09-27 13:58:43 发布 · 500 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #pytorch #深度学习 #python #机器学习

池化层在卷积网络中用于降低特征图参数，提升速度并增加模型的全局关注。最大值池化和平均值池化是两种常用方法，通过设置核尺寸和步长来操作。在Pytorch中，可以使用nn.MaxPool2d和nn.AvgPool2d实现这两种池化。

部署运行你感兴趣的模型镜像

池化层

在卷积网络中，通常会在卷积层之间增加池化层，用来降低特征图的参数数量，提升计算速度，增加感受野。池化可以使模型更加关注全局特征，而非局部特征，这种降维的过程可以保留一些重要的特征信息，提升容错能力，并且还能在一定程度上防止过拟合。

在物体检测中，常用的池化有最大值池化和平均值池化。池化层有两个主要的输入参数，即核尺寸与步长。下图所示为一个核尺寸与步长都为2的最大值池化过程，以左上角为例，56、12、52、和3进行最大值池化，保留56。

用Pytorch实现池化层：

import torch
from torch import nn

max_pooling = nn.MaxPool2d(2, stride=2)
aver_pooling = nn.AvgPool2d(2, stride=2)
input = torch.randn(1, 1, 4, 4)

# 调用最大值池化与平均值池化，可以看到size从[1, 1, 4, 4]变成了[1, 1, 2, 2]
>>> max_pooliing(input)
>>> aver_pooling(input)

您可能感兴趣的与本文相关的镜像