本文介绍了最大池化在深度学习中的作用，旨在减少数据量的同时保留关键特征，加速训练过程。通过实例展示了如何在PyTorch中使用tensorboard进行可视化，并解释了torch.size和torch.reshape函数的用法，帮助理解张量的形状转换。
最大池化的目的：保留输入的特征，但同时把数据量减小，加快训练
import torch
from torch import nn
from torch.nn import MaxPool2d
input = torch.tensor([[1,2,0,3,1],
[0,1,2,3,1],
[1,2,1,0,0],
[5,2,3,1,1pytorch学习之最大池化的使用
于 2022-02-24 12:24:00 首次发布
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
