PyTorch|构建自己的卷积神经网络--池化操作

在卷积神经网络中，一般在卷积层后，我们往往进行池化操作。实现池化操作很简单，pytorch中早已有相应的实现。

nn.MaxPool2d(kernel_size= ,stride= )

这种池化叫做最大池化。

最大池化原理很简单，就是一个filter以一定的stride在原数据上进行操作，就像这样：

这里是一个2x2的filter，同时stride为2，在原始数据上扫描，最终的到新的数据。

通过代码来实现：

>>> import torch>>> import torch.nn as nn>>> data=torch.tensor([[1,1,2,4],[5,6,7,8],[3,2,1,0],[1,2,3,4]],dtype=torch.float32)>>> data.size()torch.Size([4, 4])>>> data=data.unsqueeze(0)>>> data.size()torch.Size([1, 4, 4])>>> data=data.unsqueeze(0)>>> data.size()torch.Size([1, 1, 4, 4])

之所以这样操作，是为了模仿实际训练网络时的场景。这样data的尺寸变为了1x1x4x4

可以理解为Batch为1，Channel为1，Height为4，Width为4???????

>>> net=nn.MaxPool2d(kernel_size=2,stride=2)>>> end=net(data)>>> endtensor([[[[6., 8.],          [3., 4.]]]])

结果符合预期

当然，nn.MaxPool2d()的可接受参数很多，完整如下：

nn.MaxPool2d(kernel_size,stride=None,padding=0,dilation=1,return_indices=False,ceil_mode=False)

• kernel_size：设置filter大小

• stride：控制移动步长，默认为kernel_size的尺寸

• padding：对原始数据周围进行填充

• dilation:给原始数据之间添加0

• return_indices ：如果为True，会返回输出最大值对应的序号序列。

• ceil_mode：控制当卷积核超过原始图像时，是否对max进行保留

这里参数很多，但很多时候我们并不需要一些参数，就像这样：

nn.MaxPool2d(kernel_size=,stride=,padding=)

或者这样：

nn.MaxPool2d(kernel_size,stride)

当然，进行池化操作后，我们很可能再来连接一个卷积层或者全连接层，所以对数据进行池化后，数据的尺寸如何变化是必须要知道的。

公式（假设输入的数据H和W相同）：

输入：N,C,H,W

输出：N,C,H',W'

• H'=(H+2*padding-kernel_size)/stride+1

• W'=(W'+2*padding-kernel_size)/stride+1

再次回到最初的代码：???????

>>> import torch>>> import torch.nn as nn>>> data=torch.tensor([[1,1,2,4],[5,6,7,8],[3,2,1,0],[1,2,3,4]],dtype=torch.float32)>>> data.size()torch.Size([4, 4])>>> data=data.unsqueeze(0)>>> data.size()torch.Size([1, 4, 4])>>> data=data.unsqueeze(0)>>> data.size()torch.Size([1, 1, 4, 4])
>>> net=nn.MaxPool2d(kernel_size=2,stride=2)>>> end=net(data)>>> endtensor([[[[6., 8.],          [3., 4.]]]])

输入：1x1x4x4

输出：1x1x2x2

2=(4+2*0-2)/2+1

当然池化种类也有很多，但理解起来都不难，同时，kernel_size，dilation,stride，padding的尺寸也不一定为正方形。