池化操作
- 零、池化操作
- 一、MaxPool:最大池化
* - 1)MaxPool1d
– - 2)MaxPool2d
– - 二、AvgPool:平均池化
* - 1)AvgPool1d
– - 2)AvgPool2d
– - 三、AdaptiveMaxPool:自适应最大池化
* - 1)AdaptiveMaxPool1d
– - 2)AdaptiveMaxPool2d
– - 四、AdaptiveAvgPool:自适应平均池化
* - 1)AdaptiveAvgPool1d
– - 2)AdaptiveAvgPool2d
–
零、池化操作
池化操作通常是使用指定窗口大小的区域中的总体统计特征,代替输入向量在该区域的值,用于降低卷积操作带来的计算参数量
一、MaxPool:最大池化
最大池化是在输入向量中使用滑动窗口内所有元素的最大值代替窗口区域的元素。
1)MaxPool1d
(1)调用方式
- MaxPooling1d对输入向量做一维最大池化;
- 输入形状:(N,C,L_in)或(C,L_in);
- 输出结果中的元素:除kernel_size、stride,其他参数保持默认情况下,输出结果中的元素为:
torch.nn.MaxPool1d(
kernel_size,
stride=None,
padding=0,
dilation=1,
return_indices=False,
ceil_mode=False)
(2)参数解析:一般我们只需要设置kernel_size和stride,其他保持即可。
详细的参数作用及如何操作会在实例中通过代码及图示一一说明。
参数名含义kernel_size滑动窗口尺寸,用来确定一片区域执行池化操作。采用整数。stride滑动窗口每次移动的步长,默认与滑动窗口大小保持一致padding0
Original: https://blog.csdn.net/qq_43665602/article/details/126625116
Author: NorthSmile
Title: 常见的几种池化操作:MaxPool2d/AdaptiveMaxPool2d/AvgPool2d/AdaptiveAvgPool2d…(Pytorch)
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/672982/
转载文章受原作者版权保护。转载请注明原作者出处!