nn.AvgPool2d实现nn.AdaptiveAvgPool2d

最新推荐文章于 2025-06-19 20:05:29 发布

原创最新推荐文章于 2025-06-19 20:05:29 发布 · 700 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #pytorch

深度学习框架专栏收录该内容

14 篇文章

订阅专栏

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。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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))