19 池化层的使用

一、常用池化层

功能：减少模型的计算量

1.最大池化

• 卷积核区域取最大值作为结果

• 参数说明
  输入输出都是四维：N是batch_size,C是channel
  

ceil_model为True,保留不完整的部分，否则去掉 （下面案例中stride=3）

2.案例

• 矩阵的池化

点击查看代码

import torch
# 1.输入图片
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]],dtype=torch.float32) #如果不指定类型，就会认为是long型，这样就会报错
# 2.输入转换为四维
input= torch.reshape(input,(-1,1,5,5)) #-1表示程序自己调节batchsize，1表示一个通道
print(input.shape)

# 3.定义神经网络
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=True)#stride默认为kernel_size的大小

    def forward(self,input):
        output=self.maxpool1(input)
        return output

# 4.调用网络
tudui=Tudui()
output=tudui(input)
print(input)
print(output)#经过池化后的输出

结果：

• 利用公开数据集进行可视化测试

点击查看代码

import torch
# 1.输入图片
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader

#1.测试集
from torch.utils.tensorboard import SummaryWriter

test_data=torchvision.datasets.CIFAR10(root="./CIFAR10_dataset",transform=torchvision.transforms.ToTensor(),train=False,download=True)
test_loader=DataLoader(dataset=test_data,batch_size=64)



# 2.定义神经网络
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=True)#stride默认为kernel_size的大小

    def forward(self,input):
        output=self.maxpool1(input)
        return output

# 3.调用网络
tudui=Tudui()
# 4. 可视化
writer=SummaryWriter("./logs_19_2")
step=0
for data in test_loader:# 对应数据集
    imgs,target=data
    writer.add_images("input",imgs,step)

    output=tudui(imgs)
    writer.add_images("output",output,step)

    step=step+1

writer.close()

• terminal运行代码

tensorboard --logdir=logs_19_2 --host=127.0.0.1

结果：