深度学习与PyTorch入门实战 - 39. Pooling Sampling

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/dragen1860

摘要

文档主要介绍了PyTorch中池化（Pooling）和上采样（Upsample）的操作。池化是一种下采样方法，通过使用最大池化（MaxPool2d）和平均池化（AvgPool2d）来降低特征图的维度，同时保持主要特征不变。文档展示了如何通过PyTorch实现这些池化操作，并给出了具体的代码示例和输出结果。此外，文档还提到了上采样（Upsample）的概念，用于在特征图中恢复尺寸。整个内容围绕池化和上采样的基本原理、实现方法及其在深度学习中的应用进行了详细阐述。

AI总结

# 深度学习与PyTorch入门实战 - Pooling Sampling

## 池化（Pooling）与上采样（Upsampling）

### 池化（Pooling）
池化是一种常见的降采样操作，用于降低特征图的维度，减少计算量，同时保留主要的特征信息。

#### 常用池化方法
1. **最大池化（Max Pooling）**
- 通过2x2滤镜对特征图进行滑动窗口操作，取每个窗口内的最大值。
- 示例：
输入特征图：

     [[1, 1, 2, 4],
      [5, 6, 7, 8],
      [3, 2, 1, 0],
      [1, 2, 3, 4]]

输出特征图（2x2滤镜，步长为2）：

     [[6, 8],
      [3, 4]]

2. **平均池化（Average Pooling）**
- 通过2x2滤镜对特征图进行滑动窗口操作，取每个窗口内的平均值。
- 示例：
输入特征图：

     [[1, 1, 2, 4],
      [5, 6, 7, 8],
      [3, 2, 1, 0],
      [1, 2, 3, 4]]

输出特征图（2x2滤镜，步长为2）：

     [[3.5, 4.5],
      [2.5, 3.5]]

### 上采样（Upsampling）
上采样用于将特征图的尺寸恢复到原来的大小，通常用于解码器部分（如图像分割任务）。

#### 示例代码

import torch.nn as nn
import torch.nn.functional as F

# 最大池化
layer = nn.MaxPool2d(2, stride=2)
out = layer(x)  # 输入x的尺寸为[1, 16, 14, 14]，输出尺寸为[1, 16, 7, 7]

# 平均池化
out = F.avg_pool2d(x, 2, stride=2)  # 输入x的尺寸为[1, 16, 14, 14]，输出尺寸为[1, 16, 7, 7]

### 总结
池化操作通过降低特征图的分辨率，减少了计算量和模型参数，同时保留了主要的特征信息。常用的池化方法包括最大池化和平均池化，两者均可在PyTorch中通过`nn.MaxPool2d`和`F.avg_pool2d`实现。上采样则用于恢复特征图的尺寸，通常与池化操作配合使用，构建完整的编码-解码网络结构。