池层线性层1 .池层- pooling layer 1.1 nn.max pool 2d 1.2 nn.avg pool 2d 1.3 nn.maxu npool 2d2.线性层-Linear Layer
1 .池化层-轮询层池化可以消除冗馀信息和减少后续计算量。
缩减像素采样：将大图像转换为小图像
上采样：将小尺寸图像转换为大尺寸图像
最大池2d和avg池2d属于下采样
准备：将图像转换为Tensor :
img _ transform=transforms.com pose ([ transforms.to tensor () img _ tensor=img _ transform (img ) img ) tensorm stride=None，padding=0，dilation=1，return_indices=False，center
主要参数：
• kernel_size :池化核心大小
步骤：步长
填充：填充个数
• dilation :池化核间隔的大小
• ceil_mode :设定尺寸的向上或向下。 默认停机。
• return_indices :记录池化最大值像素索引(在最大值反向池化时使用)。
max pool _ layer=nn.max pool 2d ((2，2 )，stride=) 2，2 ) ) img_pool=maxpool_layer ) img _ tensor (1.2 nn.)
主要参数：
• kernel_size :池化核心大小
步骤：步长
填充：填充个数
• ceil_mode :增大大小
• count_include_pad :用于计算的填充值
• divisor_override :除法因子。 在计算像素平均值时分母成为设定参数
avgpoollayer=nn.avg pool 2d ((2，2 )，stride=) 2，2 ) ) img_pool=avgpoollayer ) img_tensor ) divisor _ overrrer
不使用divisor_override参数： img _ tensor=torch.ones ((1，1，4，4 ) )初始化4*4的图像AVGpool_layer=nn.avgpool2d img_pool ()执行结果： raw_img:tensor([[1.1 .1 .1.]，[1.1 .1.]，[1.1 .1 ] 4 ) )的设置)初始化4*4的图像avg pool _ layer divisor _ override=3(img _ pool=avg pool _ layer (img _ tensor ) print (' raw img_pool ) (#执行结果： raw_img:tensor([[1.1 .1 .1.]，[1.1 .1.]，[1.1 .1 ]
主要参数：
• kernel_size :池化核心大小
步骤：步长
填充：填充个数
#进行最大池化，然后进行反向池化# pooling img _ tensor=torch.randint (high=5，size=(1，1，4，4 )，dtype=torch.flordint return_indices=true(img_pool， indices=maxpool_layer ) img_tensor ) #记录索引# unpoolingimg _ reconstruct=torruct type=torch.float (# indices(#索引print )构建与img_pool大小相同的tensormaxunpool _ layer=nn.maxu npool 2d ((2，stride=)2) ) img n{}.format(img_tensor，img_pool ) ) ) )传递到的n{}.format(img_reconstruct，img _ u u u un pool ) [3]0. () ) img_pool:tensor([[4.4.]，[4.4.] ) img_reconstruct:tensor ) [ [-1 ]-0 [ 0.0000，0.0000，0.00000，0 ] [ 0.0000，0.0000，0.0000，0.0000 ]2.线性层- linearlayernn.linear (in _ _ )
• in_features :输入节点数
• out_features :输出节点数
• bias :是否需要偏移
计算公式：
y=x W T b i a s y=xW^T bias y=xWT bias
inputs=torch.tensor([1.2，3 ] ) linear_layer=nn.linear ) #输入节点为3，输出节点为4linear_layer.weight，因此3.]，[4.4 .4 .4.] ) linear_layer.bias.data.fill_(1) # bias output=linear _ layer (inputs ) prayer inputs.) )偏移的linear _ layer.weight.data.shape (print (output，output.shape ) #执行结果： tensor([1.2.)