首先，搭建一个如下图所示的神经网络： 分析图片，inputs输入图片的inchannels=3，尺寸是32*32，经过kernel_size=5的卷积操作后out_channels=32，尺寸32*32，套用下方公式可算出padding=2（默认dilation=1，stride=1）：self.conv1=Conv2d(3,32,5,padding=2)  之后再进行池化操作Max-poolin

了解有关最大池化特征提取的更多信息。简介在第二课中，我们开始讨论卷积神经网络（convnet）的基础如何进行特征提取。我们了解了这个过程中的前两个操作是在带有relu激活的Conv2D层中进行的。在这一课中，我们将看一下这个序列中的第三个（也是最后一个）操作：通过最大池化进行压缩，这

torch.nn.MaxPool2d是PyTorch中的一个二维最大池化层。它用于在神经网络中执行最大池化操作，以减少特征图的空间尺寸并提取出主要特征。torch.nn.MaxPool2d的常用语法如下：torch.nn.MaxPool2d(kernel_size,stride=None,padding=0,dilation=1,return_indices=False,ceil_mode

importtorchfromtorchimportnnfromd2limporttorchasd2l#实现池化层的正向传播defpool2d(x,pool_size,mode='max'):#获取窗口大小p_h,p_w=pool_size#获取偏移量y=torch.zeros((x.shape[0]-p_h+1,x.shape[1]-p_w+1))foriinrange(y.sh

1.nn.MaxPool2d()和nn.Conv2D()基本一样，但是stride默认值是kernel_size。2.transpose().contiguous()、view()contiguous一般与transpose，permute，view搭配使用：使用transpose或permute进行维度变换后，调用contiguous，然后方可使用view对维度进行变形print(x.shape)x=x.transpos

有时候遇到不支持maxpool3d的硬件或算子时候，可将其改成maxpool2d加上maxpool1d组合方式表示，经验证与maxpool3d结果完全一致，其实现细节如下：代码：importtorchclassMax

torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)\(2D\)最大池化。参数：kernel_size：最大池化

文章目录​​普通方法​​​​完整代码：​​​​sequential方法​​​​使用tansorboard可视化卷积层中的各种数据​​普通方法使用神经网络:(CIFAR10的神经网络)可以看到