图6.2.1的输入张量X和卷积核张量K，我们来验证上述二维互相关运算的输出。 X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]]) K = torch.tensor([[0.0, 1.0], [2.0, 3.0]]) corr2d(X, K) tensor([[19., 25.], [37., 43.]]) 1中的值相对应的输入张量X和核张量K，以验证互相关运算的输出。 X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]], [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]]) K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3 return Y 我们可以构建 图6.5.1中的输入张量X，验证二维最大汇聚层的输出。 X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]]) pool2d(X, (2, 2)) tensor([[4., 5.], [7., 8.]]) 此外，我们还可以验证平均汇聚层。 6.5. 汇聚层 237 pool2d(X