pytorch中F.avg_pool1d()和F.avg_pool2d()的使用操作

2024-04-02 19:04:59 905人浏览独家记忆

Python 官方文档：入门教程 => 点击学习

摘要

F.avg_pool1d()数据是三维输入 input维度：（batch_size,channels,width）channel可以看成高度 kenerl维度：（一维:表示widt

F.avg_pool1d()数据是三维输入

input维度：（batch_size,channels,width）channel可以看成高度

kenerl维度：（一维:表示width的跨度）channel和输入的channel一致可以认为是矩阵的高度

假设kernel_size=2,则每俩列相加求平均，stride默认和kernel_size保持一致，越界则丢弃（下面表示1，2列和3，4列相加求平均）


input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input)
m = F.avg_pool1d(input,kernel_size=2)
m

tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[1.0000, 1.0000],
         [1.0000, 1.0000],
         [0.0000, 0.5000],
         [1.0000, 1.0000],
         [1.0000, 1.0000]]])

假设kenerl_size=3,表示前3列相加求平均，后面的不足3列丢弃


input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input)
m = F.avg_pool1d(input,kernel_size=3)
m
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[1.],
         [1.],
         [0.],
         [1.],
         [1.]]])

input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input)
m = F.avg_pool1d(input,kernel_size=4)
m
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[1.0000],
         [1.0000],
         [0.2500],
         [1.0000],
         [1.0000]]])

假设stride=1每次移动一个步伐


input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input)
m = F.avg_pool1d(input,kernel_size=2,stride=1)
m
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[1.0000, 1.0000, 1.0000, 1.0000],
         [1.0000, 1.0000, 1.0000, 1.0000],
         [0.0000, 0.0000, 0.5000, 1.0000],
         [1.0000, 1.0000, 1.0000, 1.0000],
         [1.0000, 1.0000, 1.0000, 1.0000]]])
 
input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input)
m = F.avg_pool1d(input,kernel_size=4,stride=1)
m
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[1.0000, 1.0000],
         [1.0000, 1.0000],
         [0.2500, 0.5000],
         [1.0000, 1.0000],
         [1.0000, 1.0000]]])

F.avg_pool2d()数据是四维输入

input维度：（batch_size,channels,height,width）

kenerl维度：（二维:表示width的跨度）channel和输入的channle一致，如果数据是三维，则channel为1.(如果只写一个数n，kenerl=(n,n))

stride默认和kenerl一致，这是个二维的，所以在height和width上均和kenerl一致，越界同样丢弃。

跟cnn卷积一致


input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input.size())
print(input)
m = F.avg_pool2d(input,kernel_size=(4,4))
m
torch.Size([1, 5, 5])
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[0.8125]]])

input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input.size())
print(input)
m = F.avg_pool2d(input,kernel_size=(4,4),stride=1)
m
torch.Size([1, 5, 5])
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[0.8125, 0.8750],
         [0.8125, 0.8750]]])

如果求列的平均kenerl=(1,5),此时默认stride=(1,5)


input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input.size())
print(input)
m = F.avg_pool2d(input,kernel_size=(1,5))
m
torch.Size([1, 5, 5])
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[1.0000],
         [1.0000],
         [0.4000],
         [1.0000],
         [1.0000]]])

如果求行的平均kenerl=(5,1),此时默认stride=(5,1),用卷积的概念取思考


input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input.size())
print(input)
m = F.avg_pool2d(input,kernel_size=(5,1))
m
torch.Size([1, 5, 5])
tensor([[[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [0., 0., 0., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
tensor([[[0.8000, 0.8000, 0.8000, 1.0000, 1.0000]]])

对于四维的数据，channel默认和输入一致


input=torch.randn(10,3,4,4)
m=F.avg_pool2d(input,(4,4))
print(m.size())
torch.Size([10, 3, 1, 1])

补充：PyTorch中AdaptiveAvgPool函数解析

自适应池化（AdaptiveAvgPool1d）：

对输入信号，提供1维的自适应平均池化操作对于任何输入大小的输入，可以将输出尺寸指定为H*W，但是输入和输出特征的数目不会变化。


torch.nn.AdaptiveAvgPool1d(output_size)
#output_size:输出尺寸

对输入信号，提供1维的自适应平均池化操作对于任何输入大小的输入，可以将输出尺寸指定为H*W，但是输入和输出特征的数目不会变化。


# target output size of 5
m = nn.AdaptiveAvgPool1d(5)
input = autograd.Variable(torch.randn(1, 64, 8))
output = m(input)

自适应池化（AdaptiveAvgPool2d）：


class torch.nn.AdaptiveAvgPool2d(output_size)

对输入信号，提供2维的自适应平均池化操作对于任何输入大小的输入，可以将输出尺寸指定为H*W，但是输入和输出特征的数目不会变化。

参数：

output_size: 输出信号的尺寸,可以用(H,W)表示H*W的输出，也可以使用耽搁数字H表示H*H大小的输出


# target output size of 5x7
m = nn.AdaptiveAvgPool2d((5,7))
input = autograd.Variable(torch.randn(1, 64, 8, 9))
# target output size of 7x7 (square)
m = nn.AdaptiveAvgPool2d(7)
input = autograd.Variable(torch.randn(1, 64, 10, 9))
output = m(input)

自适应池化的数学解释：

以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程网。

您可能感兴趣的文档:

点击免费下载>>软考高级考试备考技巧/历年真题/备考精华资料

--结束END--

本文标题: pytorch中F.avg_pool1d()和F.avg_pool2d()的使用操作

本文链接: https://www.lsjlt.com/news/126557.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑，方便收藏和打印～

下载Word文档

去做题

猜你喜欢

pytorch中F.avg_pool1d()和F.avg_pool2d()的使用操作

F.avg_pool1d()数据是三维输入 input维度：（batch_size,channels,width）channel可以看成高度 kenerl维度：（一维:表示widt...

99+

2024-04-02
Pytorch使用shuffle打乱数据的操作

这个东西算是我被这个shuffle坑了的一个总结吧！首先我得告诉你一件事，那就是pytorch中的tensor，如果直接使用random.shuffle打乱数据，或者使用下面的方式...

99+

2024-04-02
PyTorch中怎么创建和操作张量

要在PyTorch中创建和操作张量，首先需要导入torch库。以下是一些常用的创建和操作张量的方法：创建张量： import ...

99+

2024-03-05

PyTorch
PyTorch中的CUDA的操作方法

目录前言一.常见CPU和GPU操作命令二.CPU和GPU设备上的Tensor1.Tensor从CPU拷贝到GPU上2.直接在GPU上创建Tensor3.CUDA Streams三.固...

99+

2024-04-02
使用Pytorch训练two-head网络的操作

之前有写过一篇如何使用Pytorch实现two-head（多输出）模型在那篇文章里，基本把two-head网络以及构建讲清楚了（如果不清楚请先移步至那一篇博文）。但是我后来发现之...

99+

2024-04-02
Pytorch如何使用shuffle打乱数据的操作

这篇文章主要介绍Pytorch如何使用shuffle打乱数据的操作，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！首先我得告诉你一件事，那就是pytorch中的tensor，如果直接使用random.shuffle打乱...

99+

2023-06-15
pytorch 使用半精度模型部署的操作

背景 pytorch作为深度学习的计算框架正得到越来越多的应用. 我们除了在模型训练阶段应用外，最近也把pytorch应用在了部署上. 在部署时，为了减少计算量，可以考虑使用16位浮...

99+

2024-04-02
pytorch中LN(LayerNorm)及Relu和其变相的输出操作

主要就是了解一下pytorch中的使用layernorm这种归一化之后的数据变化，以及数据使用relu，prelu，leakyrelu之后的变化。 import torch im...

99+

2024-04-02
pytorch模型的保存和加载、checkpoint操作

其实之前笔者写代码的时候用到模型的保存和加载，需要用的时候就去度娘搜一下大致代码，现在有时间就来整理下整个pytorch模型的保存和加载，开始学习把~ pytorch的模型和参数是分...

99+

2024-04-02
pytorch教程之Tensor的值及操作使用学习

目录1、Tensors建立5*3的矩阵，未初始化建立随机初始化矩阵建立零初始化矩阵，数据类型是Long建立一个tensor数据来源于data获取tensor的size2、对Tenso...

99+

2024-04-02
PyTorch中的train()、eval()和no_grad()的使用

目录什么是train()函数？什么是eval()函数？什么是no_grad()函数？train()、eval()和no_grad()函数的联系总结在PyTorch中，train()、...

99+

2023-05-14

PyTorch train() eval() no_grad()
pytorch中的model.eval()和BN层的使用

看代码吧~ class ConvNet(nn.module): def __init__(self, num_class=10): super(ConvN...

99+

2024-04-02
使用Pytorch实现two-head(多输出)模型的操作

如何使用Pytorch实现two-head（多输出）模型 1. two-head模型定义先放一张我要实现的模型结构图：如上图，就是一个two-head模型，也是一个但输入多输出...

99+

2024-04-02
Pytorch 中net.train 和 net.eval的使用说明

在训练模型时会在前面加上： model.train() 在测试模型时在前面使用： model.eval() 同时发现，如果不写这两个程序也可以运行，这是因为这两个方法是针...

99+

2024-04-02
Pytorch中Softmax和LogSoftmax的使用详解

一、函数解释 1.Softmax函数常用的用法是指定参数dim就可以：（1）dim=0：对每一列的所有元素进行softmax运算，并使得每一列所有元素和为1。（2）dim=1：对...

99+

2024-04-02
Pytorch中的model.train()和model.eval()怎么使用

本文小编为大家详细介绍“Pytorch中的model.train()和model.eval()怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“Pytorch中的model.train()和model.eval()怎么使用”文章能帮助...

99+

2023-07-06
TensorFlow和keras中GPU使用的设置操作

1. 训练运行时候指定GPU 运行时候加一行代码： CUDA_VISIBLE_DEVICES=1 python train.py 2. 运行过程中按需或者定量分配GPU ten...

99+

2024-04-02
Pytorch中Tensor基本操作的示例分析

这篇文章将为大家详细讲解有关Pytorch中Tensor基本操作的示例分析，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。一、tensor的创建1.使用tensor小写字母的tensor接收具体的数据，可以...

99+

2023-06-25
在pytorch中计算准确率,召回率和F1值的操作

看代码吧~ predict = output.argmax(dim = 1) confusion_matrix =torch.zeros(2,2) for t, p in zip...

99+

2024-04-02
Pytorch BCELoss和BCEWithLogitsLoss的使用

BCELoss 在图片多标签分类时，如果3张图片分3类，会输出一个3*3的矩阵。先用Sigmoid给这些值都搞到0~1之间：假设Target是：下面我们用BCELoss...

99+

2024-04-02