P22 池化层

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 #定义池化层的高和宽
    Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
    #输入的高 - 池化层的高 + 1，没有padding没有stride，宽度一样 输入的宽-池化的宽+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()

                # X的窗口高-i / X的窗口宽-j，拿出来之后取max
            elif mode == 'avg':
                Y[i, j] = X[i: i +p_h, j: j + p_w].mean()#平均值
    return Y

之前return Y的对齐地方打错了，所以算出来结果不一样

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]])
print(pool2d(X,(2,2)))

打印结果

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

验证二维平均池化层的输出

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

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

填充和步幅

X = torch.arange(16,dtype=torch.float32).reshape((1,1,4,4))
#通道和batch size=1，长和宽是4，可以看作一个4*4的矩阵
print(X)

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

#深度学习框架中的stride和padding与池化窗口的大小相同：意思是把窗口移到下一块，不会重复
pool2d = nn.MaxPool2d(3)
#3的意思是 3*3的窗口，这里3*3只能到10，其他的没有了，没有地方了，后面不够了
print(pool2d(X))
#tensor([[[[10.]]]]) 是一个1*10的标量

#填充和步幅可以手动指定
pool2d = nn.MaxPool2d(3,padding=1,stride=2)
print(pool2d(X))
'''
tensor([[[[ 5.,  7.],
          [13., 15.]]]])
'''
pool2d = nn.MaxPool2d((2,3),padding=(1,1),stride=(2,3))
print(pool2d(X))
'''
tensor([[[[ 1.,  3.],
          [ 9., 11.],
          [13., 15.]]]])
'''

池化层在每个通道上的单独运算

X = torch.cat((X,X+1),1)
print(X)
'''
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.]]]])
'''

pool2d = nn.MaxPool2d(3,padding=1,stride=2)
#3*3的窗口，填充是1，步长是2
print(pool2d(X))
'''
tensor([[[[ 5.,  7.],
          [13., 15.]],

         [[ 6.,  8.],
          [14., 16.]]]])