Pytorch池化层、线性层、激活函数层

LGDDDDDD

于 2020-02-05 21:49:16 发布

阅读量1.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： pytorch

本文链接：https://blog.youkuaiyun.com/weixin_43289424/article/details/104186952

pytorch 专栏收录该内容

13 篇文章

订阅专栏

本文详细解析了深度学习中池化层的作用，包括最大池化和平均池化，并介绍了PyTorch框架下如何实现这些操作。同时，探讨了反池化过程，即上采样技术，如最大值反池化，并解释了其在神经网络中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

池化层

最大池化、平均池化

在这里插入图片描述

pytorch实现池化（下采样）

最大池化

在这里插入图片描述
冗余信息剔除、减小运算量

平均池化

在这里插入图片描述
相对于最大池池化的图像亮度较小

pytorch实现反池化（上采样）

最大值反池化

在这里插入图片描述

img_reconstruct = torch.randn_like(img_pool, dtype=torch.float)
maxunpool_layer = nn.MaxUnpool2d((2, 2), stride=(2, 2))
img_unpool = maxunpool_layer(img_reconstruct, indices)

线性层

在这里插入图片描述

激活函数层

非线性变换

sigmoid

在这里插入图片描述

tanh

在这里插入图片描述

relu

在这里插入图片描述