文章目录
还是用上次的小实例 ，这次加入三种池化层做练习。
关于池化层的基础概念可以看这里。
我之前以为池化层也叫下采样，但这样说并不严格，只是大家都这么说，我刚知道，其实采样层包含池化层。某种卷积层也叫采样层。
最大值池化层
选择每个小区域的最大值作为特征放到结果矩阵，像下面这样。
maxpool = nn.MaxPool2d(2,stride=2) # 定义池化层
pool_out = maxpool(image_out) # 图像数据放进去做池化操作
平均值池化层
就是从这个区域中算出平均值加入结果集。
像下面这样。
average_pool = nn.AvgPool2d(2,stride=2)
pool_out = average_pool(image_out)
自适应平均值池化层
自适应池化Adaptive Pooling与标准的Max/AvgPooling区别在于，自适应池化Adaptive Pooling会根据输入的参数来控制输出output_size，而标准的Max/AvgPooling是通过kernel_size，stride与padding来计算output_size。
adaverage_pool = nn.AdaptiveAvgPool2d(output_size=(100,100)) # 输出大小的尺寸指定为100*100
pool_out = adaverage_pool(image_out)
代码实现
沿用上一次的代码 直接加入池化层.
## 池化层加入
from copy import deepcopy
from PIL import Image
import torch
import matplotlib.pyplot as plt
import numpy as np
from torch import nn
image = Image.open('../data/cat.png')
image = image.convert("L")
image_np = np.array(image)
h, w = image_np.shape
image_tensor = torch.from_numpy(image_np.reshape(1, 1, h, w)).float()
kersize = 5
ker = torch.ones(kersize, kersize, dtype=torch.float32) * -1
temp = deepcopy(ker)
ker[2,2] = 24
conv2d = torch.nn.Conv2d(1, 2, (kersize, kersize), bias=False)
ker = ker.reshape((1, 1, kersize, kersize))
conv2d.weight.data[0] = ker
conv2d.weight.data[1] = temp
image_out = conv2d(image_tensor)
# 添加池化层----最大值池化
# maxpool = nn.MaxPool2d(2,stride=2)
# pool_out = maxpool(image_out)
# 添加池化层---平均值池化
# average_pool = nn.AvgPool2d(2,stride=2)
# pool_out = average_pool(image_out)
# 添加池化层---自适应平均池化层
adaverage_pool = nn.AdaptiveAvgPool2d(output_size=(100,100)) # 输出大小的尺寸指定为100*100
pool_out = adaverage_pool(image_out)
# print(image_out.data)
# print("=" * 20)
# print(image_out.detach().numpy().shape) # 仅仅将tensor数据转为numpy数据
x = torch.linspace(-6,6,100) # -6到6分成了一百份 返回张量类型
print(type(x))
print(x)
# print(pool_out.shape)
pool_out_min = pool_out.squeeze()
# print(pool_out_min.shape)
image_out = image_out.squeeze()
# 画图之前看一下数据维度，在压缩之前是四维张量 torch.Size([1, 2, 357, 357])
# 压缩之后是三维张量 torch.Size([2, 357, 357]) 这里有两个 (357*357) 一个是普通卷积 一个是边缘提取
# 给到最后plt画图的时候需要numpy类型数据。 所以直接[0] 和[1] 提取出来。
#结果对比 一组是普通卷积和卷积+池化 另一组是边缘检测和边缘检测+池化
plt.figure(figsize=(18,18),frameon=True)
plt.subplot(2,2,1) # 你显示出来的图如何规划， 规划为2行2列 从左到右，从上到下，编号
plt.imshow(pool_out_min[1].detach(), cmap=plt.cm.gray) # 数据有梯度 使用detach方法提取
plt.axis('off')
plt.subplot(2,2,2) # 加入池化层的普通卷积操作
plt.imshow(image_out[1].detach(), cmap=plt.cm.gray)
plt.axis('off')
plt.subplot(2,2,3) # 边缘检测
plt.imshow(pool_out_min[0].detach(), cmap=plt.cm.gray)
plt.axis('off')
plt.subplot(2,2,4) # 加入池化层的边缘检测
plt.imshow(image_out[0].detach(), cmap=plt.cm.gray)
plt.axis('off')
plt.show()
最大值池化,
四个图对比 分别是：
普通卷积+池化 --------------- 普通卷积
边缘检测+池化 --------------- 边缘检测
平均值池化
自适应平均值池化
