当前位置：首页 > article >正文

16. 池化层的基本使用 -- nn.MaxPool2d

article 2024/11/14 20:19:24

池化层的基本使 – nn.MaxPool2d

1. 为什么要使用池化层

池化层具有平移不变性，能够很好地适应图像数据中常见的像素平移现象
池化层主要分为最大池化层和平均池化层，提取数据特征的同时能够减少数据维度
- 最大池化：保留了数据中的显著特征
- 平均池化：保留数据中所有特征的均值
这里以二维最大池化为例

2. nn.MaxPool2d()的介绍

pytorch框架中提供了一维最大池化、二维最大池化、三维最大池化，对于图像数据来说应用最多的是二维最大池化，使用最多的设置参数为：kernel_size, stride, ceil_mode,dilation, padding
```
from torch import nn
pool = nn.MaxPool2d(kernel_size=2, 
                    stride=1,
                    ceil_mode=True,
                    padding=0,
                    dilation=0)
```
- kernel_size、stride 以及 dilation: 与卷积核中的使用方式完全相同，stride默认大小为kernel_size
- padding: 参数与卷积核中的含义相同，但是需要注意，padding 的每个维度要小于等于池化核每个维度的二分之一
- ceil_mode: 显然易见的一件事是，核按着stride设定的单位平移的过程中，且当stride不为1时，会遇到的一种情况是，剩余的卷积核未扫描到的元素，不足以满足核按着stride为单位的下一次移动，这时候可以进行两种操作方式
  - ceil_mode=True:表示继续移动，并且仅以核包裹的内容进行池化操作
  - ceil_mode=False:表示停止移动，直接放弃后续未扫描到的数据

3. 最大池化层的使用实例

加载数据集，使用 torchvision 中的数据集进行展示，并构建一个基本的DataLoader实例

data = torchvision.datasets.CIFAR10(
    root= "./data_torchvision",
    train = False,
    transform=torchvision.transforms.ToTensor(),
    download=True
)
dataloader = DataLoader(data,
                        batch_size=64)

构建一个简单的神经网络基本框架 Model，池化层一般添加在卷积层之后，在特征提取的基础上继续强化重要特征并减少数据维度

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv = nn.Conv2d(
            in_channels=3,
            out_channels=3,
            kernel_size=3,
            stride=1,
        )
        self.pool = nn.MaxPool2d(kernel_size=3,
                                 ceil_mode=True)
    
    def forward(self, x):
        y = self.pool(self.conv(x))
        return y

通过该网络框架对图像数据进行池化操作，并使用tensorboard记录

with SummaryWriter("log") as writer:
    step = 0
    model = Model()
    for data in dataloader:
        imgs, labels = data
        writer.add_images("input",
                          img_tensor=imgs,
                          global_step=step)
        writer.add_images("output",
                          img_tensor=model(imgs),
                          global_step=step)
        step += 1