[Pytorch系列-32]：卷积神经网络 - torch.nn.MaxPool2d() 用法详解

 ​

目录

​​前言：​​

​​第1章 关于1维MaxPool1d、2维MaxPool2d、3维MaxPool3d的说明​​

​​第2章 MaxPool2d详解​​

​​2.1 功能说明​​

​​2.2 MaxPool2d的本质​​

​​2.3 类原型​​

​​2.4 参数说明​​

前言：

本文是深度学习框架 pytorch 的API ： torch.nn.MaxPool2d() 函数的用法。

本博客介绍了 torch.nn.MaxPool2d() 各个参数的含义和用法，学会使用 pytorch 创建 卷积神经网络。

参考：官方文档和其它博客。

第1章 关于1维MaxPool1d、2维MaxPool2d、3维MaxPool3d的说明

• MaxPool1d：输入与输出是一维数据
• MaxPool2d：输入与输出是二维数据
• MaxPool3d：输入与输出是三维数据

第2章 MaxPool2d详解

2.1 功能说明

Pool层用于提取重要信息的操作，可以去掉部分相邻的信息，减少计算开销。

MaxPool在提取数据时，保留相邻信息中的最大值，去掉其他值。

2.2 MaxPool2d的本质

MaxPool2d本质是一个模板类，其参数用于赋给构造函数，创建二维的Pool层 。

2.3 类原型

class torch.nn.MaxPool2d (kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

2.4 参数说明

• kernel_size (int or tuple) - max pooling核的大小。
• stride (int or tuple, optional) - max pooling窗口的移动步长。默认值是kernel_size，这样就能够起到成倍数的降采用的目的。
• padding(int or tuple, optional) - 输入的每一条边补充0的层数，主要用于边缘处填充。
• dilation(int or tuple, optional) – max pool核中元素间的间隔。
• return_indices - 如果等于True，会返回输出最大值对应的序号序列。
• ceil_mode - 如果等于True，计算输出数据大小的时候，会使用向上取整，代替默认的向下取整的操作