Pytorch池化层、线性层、激活函数层

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
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
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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