基于小土堆学习
池化层学习
池化层（Pooling Layer）是卷积神经网络（CNN）中的一种重要组件，它的主要作用是逐步减小数据的空间尺寸（即高度和宽度），以减少网络中参数的数量和计算量，同时也有助于提取主要特征并减少过拟合的风险。
池化操作通常有以下几种类型：
-
最大池化（Max Pooling）：在输入数据的局部区域中取最大值作为该区域的池化结果。这种方法能够有效地提取出纹理等特征。
-
平均池化（Average Pooling）：计算输入数据局部区域的平均值，并将其作为该区域的池化结果。这种方法对于背景信息的保留较为有利。
-
随机池化（Stochastic Pooling）：按照数值大小赋予概率，再按照概率进行亚采样。这种方法在一定程度上能够避免过拟合。
-
全局平均池化（Global Average Pooling）：对于特征图的每个通道，都计算其所有像素的平均值，通常用于网络的最后几层，以将特征图转换为向量形式进行分类或其他任务。
池化层的主要优点包括：
- 特征不变性：池化操作使得模型更加关注于特征是否存在，而不是特征的具体位置，这有助于提高模型的鲁棒性。
- 特征降维：通过减小数据的空间尺寸，池化层能够显著降低后续网络层的计算量。
- 防止过拟合：池化操作有助于减少模型参数的数量，从而降低过拟合的风险。
总的来说，池化层在卷积神经网络中扮演着重要的角色，它不仅能够提高计算效率，还有助于提取更加鲁棒和有用的特征。
PyTorch框架中nn模块下的各种池化层（Pooling Layers）
列出了PyTorch框架中nn模块下的各种池化层（Pooling Layers）。这些池化层可以对输入信号进行不同维度的池化操作，包括一维（1D）、二维（2D）和三维（3D）的池化。每种池化层都有其特定的应用场景和优势。
- nn.MaxPool1d、nn.MaxPool2d、nn.MaxPool3d：
这些层分别应用一维、二维和三维的最大池化操作。最大池化是在局部区域中取最大值，有助于提取纹理等特征。nn.MaxPool2d最常用的。 - nn.MaxUnpool1d、nn.MaxUnpool2d、nn.MaxUnpool3d：
这些层分别计算一维、二维和三维最大池化的部分逆操作。它们通常用于需要恢复原始尺寸或进行特定类型特征提取的场景。 - nn.AvgPool1d、nn.AvgPool2d、nn.AvgPool3d：
这些层分别应用一维、二维和三维的平均池化操作。平均池化计算局部区域的平均值，有助于保留背景信息。 - nn.FractionalMaxPool2d、nn.FractionalMaxPool3d：
这些层分别应用二维和三维的分数最大池化操作。分数池化是一种更灵活的池化方式，可以在不减少特征图尺寸的情况下进行池化。 - nn.LPPool1d、nn.LPPool2d、nn.LPPool3d：
这些层分别应用一维、二维和三维的幂平均池化操作。幂平均池化是一种介于最大池化和平均池化之间的池化方式，通过调整幂参数可以控制池化的行为。 - nn.AdaptiveMaxPool1d、nn.AdaptiveMaxPool2d、nn.AdaptiveMaxPool3d：
这些层分别应用一维、二维和三维的自适应最大池化操作。自适应池化可以根据输出尺寸自动调整池化区域的大小。 - nn.AdaptiveAvgPool1d、nn.AdaptiveAvgPool2d、nn.AdaptiveAvgPool3d：
这些层分别应用一维、二维和三维的自适应平均池化操作。与自适应最大池化类似，自适应平均池化也可以根据输出尺寸自动调整池化区域的大小。
总的来说，这些池化层提供了丰富的池化操作选项，可以根据不同的应用场景和需求选择合适的池化层。
MaxPool2d
torch.nn.MaxPool2d 是 PyTorch 中的一个类，用于对二维输入（例如图像）执行最大池化操作。这个类有多个参数，可以控制池化操作的具体行为。下面是对这些参数的详细解释：
-
kernel_size：池化窗口的大小。可以是一个整数，表示窗口的高度和宽度都是这个值；也可以是一个 (height, width) 元组，分别指定窗口的高度和宽度。
-
stride：池化窗口的步长。如果设置为 None，则默认步长等于窗口的大小。也可以是一个整数或 (height_stride, width_stride) 元组，分别指定窗口在垂直和水平方向上的步长。
-
padding：输入数据的填充大小。如果设置为 0，则不进行填充。也可以是一个整数或 (height_pad, width_pad) 元组，分别指定在输入数据的高度和宽度方向上的填充大小。
-
dilation：池化窗口的扩张大小。如果设置为 1，则表示窗口的相邻元素之间没有空隙。如果设置为大于 1 的整数，则表示窗口的相邻元素之间有扩张的空隙。卷卷积核中间有空洞。
-
return_indices：如果设置为 True，则除了返回池化后的输出，还会返回每个最大值的索引。这对于某些特定的应用（如最大池化的逆操作）可能是有用的。
-
ceil_mode：如果设置为 True，则计算输出信号的大小时，会使用向上取整的方式，而不是默认的向下取整。这可能会影响输出的尺寸。
torch.nn.MaxPool2d 类通常用于卷积神经网络中，以减少数据的空间尺寸，同时保留重要的特征。通过调整这些参数，可以控制池化操作的具体行为，以适应不同的应用场景和需求。
最大池化，就是取卷积核覆盖区域的最大值
第一个像元以2为最终值
kernel_size=3，所下一步
因为多出来了一步，所以ceil_mode=Ture的时候，就要保留，如果是false就不保留，现在为Ture
所以ceil_mode=Ture的时候，代码如下所示：
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],
[5,2,3,1,1],
[2,1,0,1,1]])
input = torch.reshape(input,(-1,1,5,5))
print("input.shape",input.shape)
class Test(nn.Module):
def __init__(self):
super(Test,self).__init__()
self.maxpool1 = MaxPool2d(kernel_size=3,ceil_mode=True)
def forward(self,input):
output = self.maxpool1(input)
return output
test = Test()
output = test(input)
print(output)
输出结果为
C:\Anaconda3\envs\pytorch_test\python.exe H:\Python\Test\01test\nn_maxpool.py
input.shape torch.Size([1, 1, 5, 5])
tensor([[[[2, 3],
[5, 1]]]])
进程已结束,退出代码0
所以ceil_mode=False的时候，代码如下所示：
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],
[5,2,3,1,1],
[2,1,0,1,1]])
input = torch.reshape(input,(-1,1,5,5))
print("input.shape",input.shape)
class Test(nn.Module):
def __init__(self):
super(Test,self).__init__()
self.maxpool1 = MaxPool2d(kernel_size=3,ceil_mode=False)
def forward(self,input):
output = self.maxpool1(input)
return output
test = Test()
output = test(input)
print(output)
输出结果为：
C:\Anaconda3\envs\pytorch_test\python.exe H:\Python\Test\01test\nn_maxpool.py
input.shape torch.Size([1, 1, 5, 5])
tensor([[[[2]]]])
进程已结束,退出代码0
为什么要进行最大池化，就是在保留输入特征的时候，同时减少参数，这样可以加快计算速度。例如输入的1080影像，经过池化后可能缩小成720p
