Pytorch平均池化nn.AvgPool2d()如何使用

這篇文章主要介紹了Pytorch平均池化nn.AvgPool2d()如何使用的相關(guān)知識，內(nèi)容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇Pytorch平均池化nn.AvgPool2d()如何使用文章都會有所收獲，下面我們一起來看看吧。

torch.nn.AvgPool2d()

作用

在由多通道組成的輸入特征中進行2D平均池化計算

函數(shù)

torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)

參數(shù)

Args:
    kernel_size: 滑窗(池化核)大小
    stride: 滑窗的移動步長, 默認值為kernel_size
    padding: 在輸入信號兩側(cè)的隱式零填充數(shù)量
    ceil_mode: 決定計算輸出的形狀時是向上取整還是向下取整, 默認為False(向下取整)
    count_include_pad: 在平均池化計算中是否包含零填充, 默認為True(包含零填充)
    divisor_override: 如果指定了, 它將被作為平均池化計算中的除數(shù), 否則將使用池化區(qū)域的大小作為平均池化計算的除數(shù)

公式

代碼實例

假設(shè)輸入特征為S，輸出特征為D

情況一

ceil_mode=False, count_include_pad=True(計算時包含零填充)

import torch
import torch.nn as nn
import numpy as np
 
 
# 生成一個形狀為1*1*3*3的張量
x1 = np.array([
              [1,2,3],
              [4,5,6],
              [7,8,9]
            ])
x1 = torch.from_numpy(x1).float()
x1 = x1.unsqueeze(0).unsqueeze(0)
 
# 實例化二維平均池化
avgpool1 = nn.AvgPool2d(kernel_size=3, stride=2, padding=1, ceil_mode=False, count_include_pad=True)
y1 = avgpool1(x1)
print(y1)
 
# 打印結(jié)果
'''
tensor([[[[1.3333, 1.7778],
          [2.6667, 3.1111]]]])
'''

計算過程：

輸出形狀= floor[(3 - 3 + 2) / 2] + 1 = 2,

D[1,1] = (0+0+0+0+1+2+0+4+5) / 9 = 1.3333,

D[1,2] = (0+0+0+2+3+0+5+6+0) / 9 = 1.7778,

D[2,1] = (0+4+5+0+7+8+0+0+0) / 9 = 2.6667,

D[2,2] = (5+6+0+8+9+0+0+0+0) / 9 = 3.1111.

情況二

ceil_mode=False, count_include_pad=False(計算時不包含零填充)

avgpool2 = nn.AvgPool2d(kernel_size=3, stride=2, padding=1, ceil_mode=False, count_include_pad=False)
 
y2 = avgpool2(x1)
print(y2)
 
# 打印結(jié)果
'''
tensor([[[[3., 4.],
          [6., 7.]]]])
'''

計算過程：

輸出形狀= floor[(3 - 3 + 2) / 2] + 1 = 2,

D[1,1] = (1+2+4+5) / 4 = 3,

D[1,2] = (2+3+5+6) / 4 = 4,

D[2,1] = (4+5+7+8) / 4 = 6,

D[2,2] = (5+6+8+9) / 4 = 7.

情況三

ceil_mode=False, count_include_pad=False, divisor_override=2(將計算平均池化時的除數(shù)指定為2)

avgpool3 = nn.AvgPool2d(kernel_size=3, stride=2, padding=1, ceil_mode=False, count_include_pad=False, divisor_override=2)
 
y3 = avgpool3(x1)
print(y3)
 
# 打印結(jié)果
'''
tensor([[[[ 6.,  8.],
          [12., 14.]]]])
'''

計算過程：

輸出形狀= floor[(3 - 3 + 2) / 2] + 1 = 2,

D[1,1] = (1+2+4+5) / 2 = 6,

D[1,2] = (2+3+5+6) / 2 = 8,

D[2,1] = (4+5+7+8) / 2 = 12,

D[2,2] = (5+6+8+9) / 2 = 14.

情況四

ceil_mode=True, count_include_pad=True, divisor_override=None(在計算輸出的形狀時向上取整)

x2 = np.array([
              [1,2,3,4],
              [5,6,7,8],
              [9,10,11,12],
              [13,14,15,16]
              ])
x2 = torch.from_numpy(x2).reshape(1,1,4,4).float()
avgpool4 = nn.AvgPool2d(kernel_size=3, stride=2, padding=1, ceil_mode=True)
y4 = avgpool4(x2)
print(y4)
 
# 打印結(jié)果
'''
tensor([[[[ 1.5556,  3.3333,  2.0000],
          [ 6.3333, 11.0000,  6.0000],
          [ 4.5000,  7.5000,  4.0000]]]])
'''

計算過程：

輸出形狀 = ceil[(4 - 3 + 2) / 2] + 1 = 3,

D[1,1] = (0+0+0+0+1+2+0+5+6) / 9 = 1.5556,

D[1,2] = (0+0+0+2+3+4+6+7+8) / 9 = 3.3333,

D[1,3] = (0+0+4+0+8+0) / 6 = 2,

D[2,1] = (0+5+6+0+9+10+0+13+14) / 9 = 6.3333,

D[2,2] = (6+7+8+10+11+12+14+15+16) / 9 = 11,

D[2,3] = (8+0+12+0+16+0) / 6 = 6,

D[3,1] = (0+13+14+0+0+0) / 6 = 4.5,

D[3,2] = (14+15+16+0+0+0) / 6 = 7.5,

D[3,3] = (16+0+0+0) / 4 = 4.

關(guān)于“Pytorch平均池化nn.AvgPool2d()如何使用”這篇文章的內(nèi)容就介紹到這里，感謝各位的閱讀！相信大家對“Pytorch平均池化nn.AvgPool2d()如何使用”知識都有一定的了解，大家如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道。