奋斗の博客

一、方法简介方法含义：对张量应用一个自适应的平均池化,只需要输入输出的size即可。- torch.nn.AdaptiveAvgPool2d(output_size)参数及注意事项- 1.out_size可以是一个value值，也可以是一个元组（X,Y）；- 2.如果是一个value值，则代表输出是一个方形的，其实等价于（X,X）；- 3.如果是一个元组，则X，Y可以是一个int值，也可以是None；- 4.如果是None，则代表输出与输入位置的值相同；二、案例1

一、方法详解方法torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1)parameterskernel_size (int or tuple) – 滑动窗口的sizestride (int or tuple, optional) – 空间维度上滑动的步长，默认步长为1padding (int or tuple, optional) – implicit zero padding to be added

Batch Normanlization简称BN，也就是数据归一化，对深度学习模型性能的提升有很大的帮助。BN的原理可以查阅我之前的一篇博客。白话详细解读（七）----- Batch Normalization。但为了该篇博客的完整性，在这里简单介绍一下BN。一、BN的原理BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限