李沐22_池化层——自学笔记

池化层：

1.积对位置敏感

2.检测垂直边缘

3.需要一定程度的平移不变性，例如照明、物体位置、比例、外观等因图像而异

二维最大池化

返回滑动窗口中的最大值，本质是忽略不重要信息

填充、步幅和多个通道

1.池化层和卷积层类似，都具有填充和步幅

2.没有可学习的参数

3.在每个输入通道应用池化层以获得相应的输出通道

4.输出通道数=输入通道数

5.池化层不做多通道融合

平均池化层

1.最大池化层：每个窗口中最强的模式信号

2.平均池化层：将最大池化层中的“最大”操作替换成“平均”

总结

1.池化层返回窗口中最大或平均值

2.缓解卷积层会位置的敏感性

3.同样有窗口大小、填充、和步幅作为超参数

代码实现

池化层的正向传播

import torch
from torch import nn
from d2l import torch as d2l

def pool2d(X, pool_size, mode='max'):
  p_h, p_w=pool_size
  Y=torch.zeros((X.shape[0]-p_h+1, X.shape[1]-p_w+1))
  for i in range(Y.shape[0]):
    for j in range(Y.shape[1]):
      if mode=='max':
        Y[i,j]=X[i:i+p_h, j:j+p_w].max()  # 最大池化层
      elif mode=='avg':
        Y[i,j]=X[i:i+p_h, j:j+p_w].mean() # 平均池化层
  return Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14

验证二维最大池化层的输出

X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
pool2d(X, (2, 2))
1
2

tensor([[4., 5.],
        [7., 8.]])
1
2

验证平均池化层

pool2d(X,(2,2),'avg')
1

tensor([[2., 3.],
        [5., 6.]])
1
2

填充和步幅

X=torch.arange(16,dtype=torch.float32).reshape((1,1,4,4))
X
1
2

tensor([[[[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  6.,  7.],
          [ 8.,  9., 10., 11.],
          [12., 13., 14., 15.]]]])
1
2
3
4

深度学习框架中的步幅和池化窗口的大小相同

from torch import nn
pool2d=nn.MaxPool2d(3)  # 3✖3的窗口
pool2d(X)
1
2
3

tensor([[[[10.]]]])
1

填充和步幅可以手动设定。

pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
1
2

tensor([[[[ 5.,  7.],
          [13., 15.]]]])
1
2

可以设定一个任意大小的矩形汇聚窗口，并分别设定填充和步幅的高度和宽度。

pool2d = nn.MaxPool2d((2, 3), stride=(2, 3), padding=(1, 1))
pool2d(X)
1
2

tensor([[[[ 1.,  3.],
          [ 9., 11.],
          [13., 15.]]]])
1
2
3

池化层在每个输入通道上单独运算

X=torch.cat((X,X+1),1) # 双通道X和X+1
X
1
2

tensor([[[[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  6.,  7.],
          [ 8.,  9., 10., 11.],
          [12., 13., 14., 15.]],

         [[ 1.,  2.,  3.,  4.],
          [ 5.,  6.,  7.,  8.],
          [ 9., 10., 11., 12.],
          [13., 14., 15., 16.]]]])
1
2
3
4
5
6
7
8
9

pool2d=nn.MaxPool2d(3,padding=1,stride=2)
pool2d(X)
1
2

tensor([[[[ 5.,  7.],
          [13., 15.]],

         [[ 6.,  8.],
          [14., 16.]]]])
1
2
3
4
5