Pytorch平均池化nn.AvgPool2d()使用方法實(shí)例
【pytorch官方文檔】:https://pytorch.org/docs/stable/generated/torch.nn.AvgPool2d.html?highlight=avgpool2d#torch.nn.AvgPool2d
torch.nn.AvgPool2d()
作用
在由多通道組成的輸入特征中進(jìn)行2D平均池化計(jì)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(dòng)步長(zhǎng), 默認(rèn)值為kernel_size
padding: 在輸入信號(hào)兩側(cè)的隱式零填充數(shù)量
ceil_mode: 決定計(jì)算輸出的形狀時(shí)是向上取整還是向下取整, 默認(rèn)為False(向下取整)
count_include_pad: 在平均池化計(jì)算中是否包含零填充, 默認(rèn)為T(mén)rue(包含零填充)
divisor_override: 如果指定了, 它將被作為平均池化計(jì)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(jì)算的除數(shù)
公式
代碼實(shí)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(jì)算時(shí)包含零填充)
import torch import torch.nn as nn import numpy as np # 生成一個(gè)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(shí)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(jì)算過(guò)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(jì)算時(shí)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(jì)算過(guò)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(jì)算平均池化時(shí)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(jì)算過(guò)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(jì)算輸出的形狀時(shí)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(jì)算過(guò)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.
總結(jié)
到此這篇關(guān)于Pytorch平均池化nn.AvgPool2d()使用的文章就介紹到這了,更多相關(guān)Pytorch平均池化nn.AvgPool2d()使用內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Python 3.x 判斷 dict 是否包含某鍵值的實(shí)例講解
今天小編就為大家分享一篇Python 3.x 判斷 dict 是否包含某鍵值的實(shí)例講解,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-07-07python的tkinter布局之簡(jiǎn)單的聊天窗口實(shí)現(xiàn)方法
這篇文章主要介紹了python的tkinter布局之簡(jiǎn)單的聊天窗口實(shí)現(xiàn)方法,對(duì)于tkinter用法做了初步的介紹與應(yīng)用展示,需要的朋友可以參考下2014-09-09python中import與from方法總結(jié)(推薦)
這篇文章主要介紹了python中import與from方法總結(jié),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-03-03Matplotlib控制坐標(biāo)軸刻度間距與標(biāo)簽實(shí)例代碼
在matplotlib中,記號(hào)是圖形兩個(gè)軸上的小標(biāo)記,到目前為止,我們讓matplotlib處理軸圖例上記號(hào)的位置,下面這篇文章主要給大家介紹了關(guān)于Matplotlib控制坐標(biāo)軸刻度間距與標(biāo)簽的相關(guān)資料,需要的朋友可以參考下2021-10-10Python3使用requests登錄人人影視網(wǎng)站的方法
通過(guò)本文給大家介紹python代碼實(shí)現(xiàn)使用requests登錄網(wǎng)站的過(guò)程。非常具有參考價(jià)值,感興趣的朋友一起學(xué)習(xí)吧2016-05-05Python 3.x基于Xml數(shù)據(jù)的Http請(qǐng)求方法
今天小編就為大家分享一篇Python 3.x基于Xml數(shù)據(jù)的Http請(qǐng)求方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-12-12python使用pyshark庫(kù)捕獲數(shù)據(jù)包的示例詳解
PyShark是一個(gè)基于Python的網(wǎng)絡(luò)數(shù)據(jù)包分析工具庫(kù),它允許用戶(hù)捕獲、解碼和分析實(shí)時(shí)網(wǎng)絡(luò)流量,特別是Wi-Fi和TCP/IP協(xié)議的數(shù)據(jù),所以本文給大家介紹了python使用pyshark庫(kù)捕獲數(shù)據(jù)包的示例,需要的朋友可以參考下2024-08-08