好资源导航 » 文章资讯 » PyTorch的自适应池化Adaptive Pooling实例

PyTorch的自适应池化Adaptive Pooling实例

2023-08-03 14:01:04 105

简介

自适应池化AdaptivePooling是PyTorch含有的一种池化层，在PyTorch的中有六种形式：

自适应最大池化AdaptiveMaxPooling：

torch.nn.AdaptiveMaxPool1d(output_size)
torch.nn.AdaptiveMaxPool2d(output_size)
torch.nn.AdaptiveMaxPool3d(output_size)

自适应平均池化AdaptiveAveragePooling：

torch.nn.AdaptiveAvgPool1d(output_size)
torch.nn.AdaptiveAvgPool2d(output_size)
torch.nn.AdaptiveAvgPool3d(output_size)

具体可见官方文档。

官方给出的例子：
>>>#targetoutputsizeof5x7
>>>m=nn.AdaptiveMaxPool2d((5,7))
>>>input=torch.randn(1,64,8,9)
>>>output=m(input)
>>>output.size()
torch.Size([1,64,5,7])

>>>#targetoutputsizeof7x7(square)
>>>m=nn.AdaptiveMaxPool2d(7)
>>>input=torch.randn(1,64,10,9)
>>>output=m(input)
>>>output.size()
torch.Size([1,64,7,7])

>>>#targetoutputsizeof10x7
>>>m=nn.AdaptiveMaxPool2d((None,7))
>>>input=torch.randn(1,64,10,9)
>>>output=m(input)
>>>output.size()
torch.Size([1,64,10,7])

AdaptivePooling特殊性在于，输出张量的大小都是给定的output_sizeoutput\_sizeoutput_size。例如输入张量大小为(1,64,8,9)，设定输出大小为(5,7)，通过AdaptivePooling层，可以得到大小为(1,64,5,7)的张量。

原理

>>>inputsize=9
>>>outputsize=4

>>>input=torch.randn(1,1,inputsize)
>>>input
tensor([[[1.5695,-0.4357,1.5179,0.9639,-0.4226,0.5312,-0.5689,0.4945,0.1421]]])

>>>m1=nn.AdaptiveMaxPool1d(outputsize)
>>>m2=nn.MaxPool1d(kernel_size=math.ceil(inputsize/outputsize),stride=math.floor(inputsize/outputsize),padding=0)
>>>output1=m1(input)
>>>output2=m2(input)

>>>output1
tensor([[[1.5695,1.5179,0.5312,0.4945]]])torch.Size([1,1,4])
>>>output2
tensor([[[1.5695,1.5179,0.5312,0.4945]]])torch.Size([1,1,4])

通过实验发现：

下面是AdaptiveAveragePooling的c++源码部分。

template
staticvoidadaptive_avg_pool2d_out_frame(
scalar_t*input_p,
scalar_t*output_p,
int64_tsizeD,
int64_tisizeH,
int64_tisizeW,
int64_tosizeH,
int64_tosizeW,
int64_tistrideD,
int64_tistrideH,
int64_tistrideW)
{
int64_td;
#pragmaompparallelforprivate(d)
for(d=0;d
以上这篇PyTorch的自适应池化AdaptivePooling实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。

返回顶部
514930285
czq8825@qq.com

PyTorch的自适应池化Adaptive Pooling实例

热门推荐

随机推荐