AdaptiveAvgPool2d 测试

最新推荐文章于 2025-04-16 21:42:18 发布
原创 最新推荐文章于 2025-04-16 21:42:18 发布 · 1.4k 阅读 · 0 ·
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。

本文介绍如何在PyTorch中创建并操作三维张量，包括升维转换，并详细展示了AdaptiveAvgPool2d池化层的具体使用方法，以及其对张量维度的影响。
部署运行你感兴趣的模型镜像 
import torch.nn as nn
import torch


# 创建三维tensor
a = torch.randn(3,4,5)
print(a.shape)
print(a)
# 升维，升成四维
a = torch.unsqueeze(a, 0)
print(a.shape)
print(a)
# AdaptiveAvgPool2d(X) 是将W H 使用平均池化降为X维
avg = nn.AdaptiveAvgPool2d(1)
b = avg(a)
print(a.shape)
print(b)
print(b.shape)

 

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 torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解
09-18
今天小编就为大家分享一篇pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
AdaptiveAvgPool2d理解（中网、外网整合)
热门推荐
xiyou__的博客
11-12 2万+
结合中网和外网关于pytorch的AdaptiveAvg2d的优秀解答，并结合自己的理解，分析了AdaptiveAvg2d和一般池化的区别，并举实例帮助理解。
Pytorch学习之AdaptiveAvgPool2d函数
qq_46396470的博客
07-04 2606
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。
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 - torch.nn.AdaptiveAvgPool2d
二分掌柜的
06-02 4165
PyTorch - torch.nn.AdaptiveAvgPool2d 自适应平均池化 torch.nn.AdaptiveAvgPool2d 对应的是torch.nn.functional.adaptive_avg_pool2d 输出数据相当于 minibatch x channels x height x width import torch import torch.nn as nn input = torch.arange(0, 16).view(1,1,4,4).float() # tensor(
tensorflow改写torch的AdaptiveAvgPool2d
qq_39321513的博客
07-19 1085
通过对比pytorch的tensor和tensorflow的tensor可以验证改写成功，只不过精度有点区别。
nn.AdaptiveAvgPool2d与AdaptiveMaxPool2d
人工智能视觉分析算法学习实践和经验分享。
10-13 2311
PyTorch的自适应池化Adaptive Pooling的功用。如果你想直接确定全连接层的维度，可以使用自适应池化，无论前面的卷积池化的维度变成什么，最后的输出维度都是batchsize*channels*n*n
添加注释class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio=16): super(ChannelAttention, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) # MLP self.fc1 = nn.Conv2d(in_planes, in_planes // 2, 1, bias=False) self.relu1 = nn.ReLU() self.fc2 = nn.Conv2d(in_planes // 2, in_planes, 1, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x)))) max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x)))) out = avg_out + max_out return self.sigmoid(out)
最新发布
05-04
self.avg_pool = nn.AdaptiveAvgPool2d(1) # 输出形状：[batch, in_channels, 1, 1] # 通道注意力全连接层（使用1x1卷积等效实现） # 设计要点：通过降维->升维的结构学习通道间关系 self.fc = nn.Sequential...
class DynamicRateASPP(nn.Module): def __init__(self, dim_in, dim_out, rate=1, bn_mom=0.1): super(DynamicRateASPP, self).__init__() self.dim_in = dim_in self.dim_out = dim_out self.rate = rate self.bn_mom = bn_mom # 用于预测膨胀率的网络 self.rate_predictor = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Linear(dim_in, 4), nn.Softmax(dim=1) ) self.base_branch1 = nn.Conv2d(dim_in, dim_out, 1, 1, padding=0, bias=True) self.base_branch2 = nn.Conv2d(dim_in, dim_out, 3, 1, bias=True) self.base_branch3 = nn.Conv2d(dim_in, dim_out, 3, 1, bias=True) self.base_branch4 = nn.Conv2d(dim_in, dim_out, 3, 1, bias=True) self.bn1 = nn.BatchNorm2d(dim_out, momentum=bn_mom) self.bn2 = nn.BatchNorm2d(dim_out, momentum=bn_mom) self.bn3 = nn.BatchNorm2d(dim_out, momentum=bn_mom) self.bn4 = nn.BatchNorm2d(dim_out, momentum=bn_mom
04-24
- 全局平均池化分支：$nn.AdaptiveAvgPool2d(1)$ - 特征融合：$1\times1$卷积进行通道调整 2. **动态权重机制** ```python class DynamicWeights(nn.Module): def __init__(self, num_branches): super().__...
def __init__(self, in_channels=3, out_channels=3): super(HeadMLP, self).__init__() self.conv1 = nn.Conv2d(in_channels, 64, kernel_size=3, stride=1, padding=1) self.bn1 = nn.BatchNorm2d(64) #self.bn1 = nn.LayerNorm([128, 256, 256]) self.relu1 = nn.ReLU(inplace=False) self.conv2 = nn.Conv2d(64, 3, kernel_size=3, stride=1, padding=1) self.bn2 = nn.BatchNorm2d(3) #self.bn2 = nn.LayerNorm([64, 256, 256]) self.relu2 = nn.ReLU(inplace=False) #self.pool = nn.AvgPool2d(kernel_size=3, stride=1, padding=1) self.pool = nn.AdaptiveAvgPool2d((256,256)) def forward(self, x): x = self.relu1(self.bn1(self.conv1(x))) x = self.relu2(self.bn2(self.conv2(x))) #x = self.relu3(self.bn3(self.conv3(x))) #x = self.pool(x) return x 如果想要优化这个头部cnn，可以如何优化，使得效果更好
03-14
还有AdaptiveAvgPool2d调整尺寸。用户可能是在图像处理任务中使用这个网络，比如超分辨率或去噪，因为输入输出通道都是3，可能处理的是RGB图像。 接下来，用户想知道如何优化这个结构。我需要考虑常见的优化方法，...
pytorch里面的nn.AdaptiveAvgPool2d
子燕若水的博客
08-22 1517
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 的自适应池化adaptive pooling--nn.AdaptiveAvgPool2d
shuijinghua的博客
01-03 7465
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： 自适应池化adaptive pooling 是pytorch含有的一种池化层，在pytorch中有6种形式： 自适应最大池化Adaptive Max Pooling： torch.nn.AdaptiveMaxPool1d(output_size) torch.nn.AdaptiveMaxPool2d(output_size...
nn.AdaptiveAvgPool2d()
weixin_43102043的博客
01-07 1383
自适应平均池化 作用：指定输出的 H 和 W 代码： input = torch.randn((1, 64, 8, 10)) m = nn.AdaptiveAvgPool2d((1, 1)) m1 = nn.AdaptiveAvgPool2d((None, 2)) m2 = nn.AdaptiveAvgPool2d((5, 4)) print(m(input).shape) print(m1(input).shape) print(m2(input).shape) torch.Size([1, 64,
PyTorch----torch.nn.AdaptiveAvgPool2d()自适应平均池化函数
xinxin的博客
03-26 1349
与输出大小由内核大小和步数决定的传统池层不同，在AdaptiveAvgPool2d中，您可以直接指定所需的输出大小。可以将其指定为单个整数output_size(结果为正方形输出)或元组(output_height, output_width)。在这个例子中，AdaptiveAvgPool2d用于将输入张量的大小调整为(5,5)的固定大小，而不考虑其原始维度。这个平均值成为相应的输出像素。取一个形状为(N, C, H, W)的输入张量，其中N为批大小，C为通道数，H和W分别为输入特征映射的高度和宽度。
PyTorch库学习之nn.AdaptiveAvgPool2d函数
qq_46396470的博客
08-11 1026
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。
【三维点云分割】 adaptive_avg_pool2d解释示例
controlourself的博客
04-27 1693
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。
解释下nn.AdaptiveAvgPool2d
12-29 440
是 PyTorch 中的一个平均池化层，用于将输入的特征图调整到指定的输出大小（宽和高）。它会根据输入大小和目标输出大小自动计算合适的池化窗口和步幅，无需手动设置这些参数。
【pytorch】nn.AdaptiveAvgPool2d教程
loinleeai的博客
04-16 959
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。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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