torch的池化概念

从torch官网看，针对图片，有这7中池化操作，大概分为最大池化类，平均池化类，杂类最大池化实现有四种方式，MaxPool2d，可以设置k，s，p，但是不能设置输出大小，输出大小是计算好的；FractionalMaxPool2d，可以设置k，和输出大小，单数s和p不能设置；AdaptiveMaxPool2d,只能设置输出大小，其余的都设置不了；LPPool2d，这个纯属特列才可以使用，并且特例中的功能还是MaxPool2d的阉割版；除了LPPool2d,其余逐步自由化，增加了网络设置的随机性；

如题，整理自用。

torch中的池化层1. torch.nn模块中的池化层简介2. 池化的调用方式3. 图像池化演示3.1 最大值池化3.2 平均值池化3.3 自适应平均值池化 1. torch.nn模块中的池化层简介 池化操作的一个重要目的就是对卷积后得到的特征进行进一步处理（主要是降维），从而缓解计算时内存的压力。池化会选取一定大小的区域，将该区域内的像素值使用一个代表元素表示。如果使用平均值代替，称为平均值池化，如果使用最大值代替则称为最大值池化。这两种池化方式示意图如下图1所示。 图1 最大值和平均值池化示意图 在

池化对数据启到了浓缩的效果，通过池化可以减少数据量，降低内存压力。简单地理解，池化操作就是通过池化的kernel选取一定的区域，通过某种计算将这个区域的一系列数值转化为一个数值，需要注意的是，对于池化操作来说，池化的步长一般是卷积核的大小。 Pytorch中提供了多种池化的类，最大池化、平均池化、最大自适应池化等操作，下面以二维数据的处理为例，列出常用的池化操作。 对应的类 功能 .MaxPool2d() 针对输入信号上应用2d最大值池化 .MaxUnPool2d() 2d最大值池化的逆

PyTorch 提供了多种池化函数，用于对输入数据进行不同类型的池化操作,包含平均池化、最大池化、全局池化等

1.概念卷积层是用一个固定大小的矩形区去席卷原始数据，将原始数据分成一个个和卷积核大小相同的小块，然后将这些小块和卷积核相乘输出一个卷积值（注意这里是一个单独的值，不再是矩阵了）。2.作用特征提取卷积的本质就是用卷积核的参数来提取原始数据的特征，通过矩阵点乘的运算，提取出和卷积核特征一致的值，如果卷积层有多个卷积核，则神经网络会自动学习卷积核的参数值，使得每个卷积核代表一个特征。3.api（1）一维class（2）二维。

torch.max函数详解：基于PyTorch的深入探索

文章目录1 什么是池化？（Pooling）2 adaptivePooling和GeneralPooling3 代码调用 1 什么是池化？（Pooling） Pooling，池化层，又称下采样、汇聚层，是从样本中再选样本的过程。是为了缩减数据维度的操作。 Pooling主要分两类：①最大池化（Max pooling）②均值池化（Avg pooling） 前者是取size×size中最大值。后者是采用平均值。 2 adaptivePooling和GeneralPooling AdaptivePoolin

一个形状’ [batch_size, height, width, channels] ‘的4-D张量，如果’ data_format ‘是’ NHWC ‘，那么’ [batch_size, channels, height, width] ‘如果’ data_format ‘是’ NCHW '。kernel_size 可以看做是一个滑动窗口，这个窗口的大小由自己指定，如果输入是单个值，例如 3 ，那么窗口的大小就是 3 × 3，还可以输入元组，例如 (3, 2) ，那么窗口大小就是 3 × 2。

本文章属于工程实践 大概了解原理 动手做

T/D代表帧数。

深度学习第P2.5周：对卷积的数学概念和卷积神经网络CNN的各层结构、运算和代码实现进行知识补充1

一些注意的语法

本文深入解析了全局平均池化（Global Average Pooling）的核心概念与优势，包括其如何替代全连接层以减少参数量、防止过拟合并增强模型鲁棒性。通过生动的类比和详细的PyTorch实战代码，展示了三种实现方法，并构建了一个简易的GAP-CNN图像分类网络，帮助读者从理论到实践全面掌握这一关键技术。

PG-Net: Pixel to Global Matching Network for Visual Tracking阅读文前唠叨Siamese系列Siamese存在的问题功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 Visu

文章目录一、CNN的基本概念二、常见的卷积1.一般卷积2.扩张卷积(空洞卷积)3.转置卷积(反卷积)4.可分离卷积4.1.空间可分离卷积4.2.深度可分离卷积三、CNN的输入输出尺寸计算公式四、CNN常用的激活函数4.1.Sigmoid4.2.tanh4.3.Relu五、标准化和归一化1.标准化1.1.批标准化(Batch Normalization)2.归一化六、保存和加载模型1.仅保存学习到的参数1.1.保存模型：torch.save(model.state_dict(), PATH)1.2.调用模型.

1、 2、

pytorch有很多接口，其中的torch.nn可以让我们方便的调用以便生成神经网络各层是一个构成神经网络层的一个基本类别，一般生成一个类别来继承nn.moduletorch.tensor(a)将a初始化为一个tensor类型数据。