nn.AvgPool2d实现nn.AdaptiveAvgPool2d

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 · 734 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。
文章标签：

#python #pytorch

本文介绍了如何在PyTorch中使用AdaptiveAvgPool2d进行自适应平均池化，与传统的 AvgPool2d 操作进行对比，并通过实例展示了它们在处理图像尺寸变化时的效果。重点在于理解这两种池化层在卷积神经网络中的应用和差异。
部署运行你感兴趣的模型镜像 
import torch
# 数据
x = torch.randn([1,3,4,4])
print(x.shape)

# nn.AdaptiveAvgPool2d结果
gap = nn.AdaptiveAvgPool2d(1)
print(gap(x))

# nn.AvgPool2d结果，参考resnest代码
gap2 = nn.AvgPool2d(kernel_size=(x.size(2),x.size(3)))
                           #ceil_mode=False)
print(gap2(x))

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

相关-26. pytorch中nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d()函数的区别
啷个哩个啷
01-21 2253
1. 文档和示例 在实现NiN的时候，实现GAP使用了nn.AdaptiveAvgPool2d()函数，这里总结一下这两个函数的使用。 1.1 nn.AdaptiveAvgPool2d() nn.AdaptiveAvgPool2d()的帮助文档 nn.AdaptiveAvgPool2d(output_size: Union[int, Tuple[int, ...]]) -> None Applies a 2D adaptive average pooling over an input signal
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
nn.AvgPool2d()函数
qq_43349542的博客
07-04 1万+
X为输入图像的大小 通过nn.AvgPool2d()函数输入和输出的特征层数目不变，特征图大小改变。 nn.AvgPool2d(2,2)和nn.MaxPool2d(2, 2)一样是图像大小缩小为原来的一半。
pytorch-nn_AvgPool2d
最新发布
m0_64260769的博客
10-29 160
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。
nn.AvgPool2d——二维平均池化操作
热门推荐
qq_50001789的博客
09-28 4万+
PyTorch学习笔记：nn.AvgPool2d——二维平均池化操作 torch.nn.AvgPool2d( kernel_size , stride=None , padding=0 , ceil_mode=False , count_include_pad=True , divisor_override=None ) 功能：在由多个平面组成的输入信号上应用2D平均池化操作，具体计算公式如下： out(Ni,Ci,h,w)=1kH∗kW∑m=0kH−1∑m=0kH−1input(Ni,Ci,stride
PyTorch - torch.nn.AdaptiveAvgPool2d
二分掌柜的
06-02 4167
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(
avgpool2d
scar2016的博客
02-27 1416
文章目录1. 函数说明2. 使用范例 1. 函数说明 class torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None) 作用：在由多个输入平面组成的输入信号上应用二维平均池。 kernel_size:卷积核的大小 stride: 步幅大小 padding : 填充 2. 使用范例 我们想对如下(4,4)的矩阵应用一个
【pytorch】nn.AvgPool2d()与AdaptiveAvgPool2d() 的区别
一白梦人的博客
03-02 3695
【pytorch】nn.AvgPool2d()与AdaptiveAvgPool2d() 的区别
PyTorch Week 3——nn.MaxPool2d、nn.AvgPool2d、nn.Linear、激活层
yandonglv的博客
10-21 1246
系列文章目录 PyTorch Week 3——卷积 PyTorch Week 3——nn.Module的容器：Sequential、ModuleList、ModuleDice PyTorch Week 3——模型创建 PyTorch Week 2——Dataloader与Dataset PyTorch Week 1 前言 从本节开始转变思路，主要关注各种方法的pytorch代码，对于原理部分略微写写，等后面阅读论文时再以原理为重点。 PyTorch Week 3——nn.MaxPool2d、nn.Avg
[函数]nn.AdaptiveAvgPool2d
程序客栈
04-05 798
class torch.nn.AdaptiveAvgPool2d(output_size) 对由多个输入平面组成的输入信号应用二维自适应平均池 （2D adaptive average pooling ）。 对于任何输入大小，输出的大小都是。 输出特征图的数量等于输入特征图的数量。 ...
pytorch AvgPool2d函数使用详解
12-23
我就废话不多说了，直接上代码吧！ import torch import torch.nn as nn import torch.nn.functional as F from torch.autograd import Variable import numpy as np input = Variable(torch.Tensor([[[1, 3, 3, 4, 5, 6, 7], [1, 2, 3, 4, 5, 6, 7]], [[1, 3, 3, 4, 5, 6, 7], [1, 2, 3, 4, 5, 6, 7]]])) print("input shape",input.shape
torch.nn.AvgPool2d 图解
Petersburg的博客
08-15 5830
首先介绍一篇文章，写得比较清楚。 https://blog.csdn.net/geter_CS/article/details/80408782 运用该文章中的例子，shape为[2,2,4,4]的input，第一个代表有两个batch,第二个代表有两个feature map，最后两部分则是用来做平均取样的维度44。 函数AvgPool2d中有两个重要的参数，一个是kernel_size，一个是stride，第一个表示你取样的window大小，第二个则表示为你取样window上下左右移动步幅的大小。 每
pytorch中二维平均池化模块torch.nn.AdaptiveAvgPool2d() 与 torch.nn.AvgPool2d() 的区别
Viraha_的博客
03-25 1302
pytorch中二维平均池化模块torch.nn.AdaptiveAvgPool2d() 与 torch.nn.AvgPool2d() 的区别 nn.AvgPool2d() 原始模型： class torch.nn.AvgPool2d(kernel_size,stride=None,padding=0,ceil_mode=False,count_include_pad=True) 其中不同的参数表示的意义： kernel_size( int or tuple)-池化窗口大小 stride( i
python中avg函数_pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解
weixin_39809168的博客
12-15 1154
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：AdaptiveAvgPool2dCLASStorch.nn.AdaptiveAvgPool2d(output_size)[SOURCE]Applies a 2D adaptive average pooling over an input signal composed of several input planes.Th...
nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d() 模块各自的用途
qq_37297763的博客
12-16 3582
首先介绍一下我为啥会关注到这个问题，因为我在使用加了SE模块的Resnet的时候，程序出bug了，原来问题出在我使用了nn.AvgPool2d() ，而应该使用nn.AdaptiveAvgPool2d() 。 1. 问题 下边是我写的SEResnet模块的代码，然后我会贴出我程序报的错误： class SEResNet(nn.Module): def __init__(self, block, layers, num_classes=1000): self.inplanes = 6
nn.AdaptiveAvgPool2d
crazty的博客
08-29 1万+
官网 nn.AdaptiveAvgPool2d nn.AdaptiveAvgPool2d就是自适应平均池化，指定输出（H，W） m = nn.AdaptiveAvgPool2d((5,1)) input = torch.randn(1, 64, 8, 9) output = m(input) print(output.shape) torch.Size([1, 64, 5, 1]) m = nn.AdaptiveAvgPool2d((None,1)) input = torch.randn(1, 64,
nn.AdaptiveAvgPool2d——二维自适应平均池化运算
qq_50001789的博客
09-28 1万+
PyTorch学习笔记：nn.AdaptiveAvgPool2d——二维自适应平均池化运算 torch.nn.AdaptiveAvgPool2d(output_size) 功能：该函数与二维平均池化运算类似，区别主要体现在自适应上，对于任何输入大小，输出大小均为指定的H×W大小。 输入： output_size：指定的输出大小，可以是元组(H，W)，或者是单个的数，如果是单个的数，则表示输出的高和宽尺寸一样，output_size大小可以大于输入的图片尺寸大小。 代码案例 一般用法 import to
深入理解 PyTorch 中的 nn.AdaptiveAvgPool2d 上采样 下采样
kanhao100的博客
04-01 2276
在深度学习特别是卷积神经网络（CNN）的世界中，池化层是一个不可或缺的组成部分。池化操作能够降低特征图的空间维度，减少计算量，提取关键特征，并在一定程度上提供平移不变性。PyTorch 作为当前最流行的深度学习框架之一，提供了多种池化层实现，其中 `nn.AdaptiveAvgPool2d` 是一个特别灵活且强大的自适应平均池化层。 与传统的池化操作不同，自适应池化操作不需要明确指定池化窗口的大小和步长，而是根据目标输出尺寸自动计算所需的池化参数。这种设计使得 `nn.AdaptiveAvgPool2d`
nn.AdaptiveAvgPool2d和nn.AvgPool2d哪个更好
01-17
### 比较 `nn.AdaptiveAvgPool2d` 和 `nn.AvgPool2d` #### 特征 - **固定大小输出**：`nn.AdaptiveAvgPool2d` 可以自适应调整输入张量的空间维度到指定的输出尺寸。这意味着无论输入图像的具体空间分辨率如何，该...
评论
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