目录1 .理论代码QA
1 .理论
卷积对位置太敏感了
最大池化层
池化层的作用
超级参数
常用的最大池化层和平均池化层
总结
从两点来看,通常池化层在卷积层之后进行。
代码torch.range和torch.arange的区别
3359 blog.csdn.net/m0 _ 37586991/article/details/88330026 torch.range : thisfunctionisdeprecatedandwillberemovedinafutureleaseimporttorchfromtortnfromd2limporttortord pool_size,mode='max ' ) : p_h, p_w=pool_sizey=torch.zeros ) ) x.shape[0]-p X.shape[1] - p_w 1 ) ) forIinrange(y.shape[0] ) 3330 . max(elifmode=='AVG':y ) I,j ) j]=X[i:i p_h,j:j p_w].mean ) returnyx=toor 5.0 ),[ 6.0 dtyyge 4) xpool2d=nn.maxpool2d(3,padding=1,stride=2) pool2d ) x ) #多通道x=torch.cat () x,X 1) x PPP
QA 1.为什么池化层越来越少使用?
池化层的作用大致可分为:1.减少卷积对位置过于敏感的缺点,在stride中减少数据量的运算
1-输入数据时可以操作各种图像,尽量消除对位置敏感的缺点。 2-现在可以使用stride卷积代替池层
2 .池化窗口重叠是否有影响?
目前,池化窗口重叠没有任何影响
1 .最好一次创建矩阵,或类似于X[:]。 否则效率低下。
通过python的list的list这一操作,最后可以转换为tensor格式