对Pytorch中Tensor的各种池化操作解析
AdaptiveAvgPool1d(N)
对一个C*H*W的三维输入Tensor, 池化输出为C*H*N, 即按照H轴逐行对W轴平均池化
>>> a = torch.ones(2,3,4) >>> a[0,1,2] = 0 >>>> a tensor([[[1., 1., 1., 1.], [1., 1., 0., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]]) >>> nn.AdaptiveAvgPool1d(5)(a) tensor([[[1.0000, 1.0000, 1.0000, 1.0000, 1.0000], [1.0000, 1.0000, 0.5000, 0.5000, 1.0000], [1.0000, 1.0000, 1.0000, 1.0000, 1.0000]], [[1.0000, 1.0000, 1.0000, 1.0000, 1.0000], [1.0000, 1.0000, 1.0000, 1.0000, 1.0000], [1.0000, 1.0000, 1.0000, 1.0000, 1.0000]]]) >>> nn.AdaptiveAvgPool1d(1)(a) tensor([[[1.0000], [0.7500], [1.0000]], [[1.0000], [1.0000], [1.0000]]])
AdaptiveAvgPool2d((M,N))
对一个B*C*H*W的四维输入Tensor, 池化输出为B*C*M*N, 即按照C轴逐通道对H*W平面平均池化
>>> a = torch.ones(2,2,3,4) >>> a[:,:,:,1] = 0 >>> a tensor([[[[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.]], [[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.]]], [[[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.]], [[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.]]]]) >>> nn.AdaptiveAvgPool2d((1,2))(a) tensor([[[[0.5000, 1.0000]], [[0.5000, 1.0000]]], [[[0.5000, 1.0000]], [[0.5000, 1.0000]]]]) >>> nn.AdaptiveAvgPool2d(1)(a) tensor([[[[0.7500]], [[0.7500]]], [[[0.7500]], [[0.7500]]]])
AdaptiveAvgPool3d((M,N,K))
对一个B*C*D*H*W的五维输入Tensor, 池化输出为B*C*M*N*K, 即按照C轴逐通道对D*H*W平面平均池化
>>> a = torch.ones(1,2,2,3,4) >>> a[0,0,:,:,0:2] = 0 >>> a tensor([[[[[0., 0., 1., 1.], [0., 0., 1., 1.], [0., 0., 1., 1.]], [[0., 0., 1., 1.], [0., 0., 1., 1.], [0., 0., 1., 1.]]], [[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]]]]) >>> nn.AdaptiveAvgPool3d((1,1,2))(a) tensor([[[[[0., 1.]]], [[[1., 1.]]]]]) >>> nn.AdaptiveAvgPool3d(1)(a) tensor([[[[[0.5000]]], [[[1.0000]]]]])
以上这篇对Pytorch中Tensor的各种池化操作解析就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。
赞 (0)