池化的核心作用池化Pooling一般用在卷積網絡里有 4 個核心作用1降維下采樣縮小特征圖高、寬減少參數量、加快計算2特征濃縮把一塊區(qū)域的關鍵特征保留下來3平移不變性物體稍微偏移不影響提取的特征4抑制過擬合減少冗余信息三類常用的池化1最大池化 MaxPool取區(qū)域最大值保留邊緣、紋理特征2平均池化 AvgPool取區(qū)域平均值保留整體、平滑特征3自適應池化 AdaptivePool不管輸入多大強制輸出指定尺寸importtorchimporttorch.nnasnn# 1. 造一個模擬特征張量# shape: [batch1, channel1, height4, width4]xtorch.tensor([[[[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]]]],dtypetorch.float32)print(原始張量 shape:,x.shape)#torch.Size([1, 1, 4, 4])print(原始張量)print(x)#tensor([[[[ 1., 2., 3., 4.],[ 5., 6., 7., 8.], [ 9., 10., 11., 12.],[13., 14., 15., 16.]]]])# 最大池化2乘2窗口內的最大值max_poolnn.MaxPool2d(kernel_size2,stride2)x_maxmax_pool(x)print(shape:,x_max.shape)#torch.Size([1, 1, 2, 2])print(x_max)#tensor([[[[ 6., 8.],[14., 16.]]]])# 平均池化2乘2窗口內的平均值avg_poolnn.AvgPool2d(kernel_size2,stride2)x_avgavg_pool(x)print(shape:,x_avg.shape)#torch.Size([1, 1, 2, 2])print(x_avg)#tensor([[[[ 3.5000, 5.5000],[11.5000, 13.5000]]]])# 自適應平均池化 輸出固定 1×1adap_avg_poolnn.AdaptiveAvgPool2d(output_size1)x_adapadap_avg_pool(x)print(shape:,x_adap.shape)#torch.Size([1, 1, 1, 1])print(x_adap)#tensor([[[[8.5000]]]])全連接核心作用維度變換、升維把零散一維浮標點 “撐開” 成一張空白網格的大小在進入全連接之前我們手里拿到的往往是一串「一維離散點」比如某個海域里只有 5 個浮標每個浮標測到一個有效波高拼起來就是一個長度為 5 的向量。而后續(xù)的卷積層需要的是「二維矩陣」形式的輸入高度 × 寬度兩者形狀對不上中間就必須靠全連接層來做一次「形狀翻譯」。具體做法是把長度為 N 的一維向量通過一個Linear(N, H*W)的線性層映射成 H×W 個數值再reshape成 H×W 的二維矩陣。這樣原本零散分布的浮標點就被「撐開」鋪滿了一整張網格每個網格點都對應一個由所有浮標共同決定的數值。例子輸入只有少數幾個浮標的有效波高輸出一張二維海浪空間分布圖importtorchimporttorch.nnasnn# 假設海域網格是 8×8共 64 個格點H,W8,8# 只有 5 個浮標測得 5 個有效波高buoystorch.randn(1,5)# shape: [batch1, 浮標數5]# 全連接升維5 - 64fcnn.Linear(5,H*W)gridfc(buoys)# shape: [1, 64]gridgrid.reshape(1,1,H,W)# shape: [1, 1, 8, 8]print(grid.shape)# torch.Size([1, 1, 8, 8])優(yōu)點可以把任意長度一維離散點變成二維矩陣解決「浮標是離散點不能直接進卷積」的難題。無論浮標是 3 個、5 個還是 20 個只要調整Linear的輸入維度都能統(tǒng)一映射到同一張網格上后續(xù)卷積層的接口就固定下來了。缺點沒有空間局部感知不會利用 “相鄰海域海浪高度是漸變” 這個常識單獨用全連接重建出來的空間場效果很差。因為全連接層對每個輸出格點都獨立地連接了全部輸入浮標它并不知道「左上角」和「右下角」在空間上是遠是近也無法表達「離某個浮標越近、波高越接近該浮標讀數」這種先驗。結果就是重建出的空間場容易出現不自然的跳變和噪點看起來不像真實的海浪分布。也正因為如此全連接在這里只承擔「升維 變形」的過渡角色真正負責把空間結構補回來的是后面的卷積層。卷積層核心作用提取空間局部特征學習空間相鄰關系把粗糙畫布打磨成合理的海浪場學習海浪空間平滑、空間分布規(guī)律修復空間紋理 輸出高質量二維網格化有效波高場 深度學習筆記（小白筆記）
池化的核心作用池化Pooling一般用在卷積網絡里有 4 個核心作用1降維下采樣縮小特征圖高、寬減少參數量、加快計算2特征濃縮把一塊區(qū)域的關鍵特征保留下來3平移不變性物體稍微偏移不影響提取的特征4抑制過擬合減少冗余信息三類常用的池化1最大池化 MaxPool取區(qū)域最大值保留邊緣、紋理特征2平均池化 AvgPool取區(qū)域平均值保留整體、平滑特征3自適應池化 AdaptivePool不管輸入多大強制輸出指定尺寸importtorchimporttorch.nnasnn# 1. 造一個模擬特征張量# shape: [batch1, channel1, height4, width4]xtorch.tensor([[[[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]]]],dtypetorch.float32)print(原始張量 shape:,x.shape)#torch.Size([1, 1, 4, 4])print(原始張量)print(x)#tensor([[[[ 1., 2., 3., 4.],[ 5., 6., 7., 8.], [ 9., 10., 11., 12.],[13., 14., 15., 16.]]]])# 最大池化2乘2窗口內的最大值max_poolnn.MaxPool2d(kernel_size2,stride2)x_maxmax_pool(x)print(shape:,x_max.shape)#torch.Size([1, 1, 2, 2])print(x_max)#tensor([[[[ 6., 8.],[14., 16.]]]])# 平均池化2乘2窗口內的平均值avg_poolnn.AvgPool2d(kernel_size2,stride2)x_avgavg_pool(x)print(shape:,x_avg.shape)#torch.Size([1, 1, 2, 2])print(x_avg)#tensor([[[[ 3.5000, 5.5000],[11.5000, 13.5000]]]])# 自適應平均池化 輸出固定 1×1adap_avg_poolnn.AdaptiveAvgPool2d(output_size1)x_adapadap_avg_pool(x)print(shape:,x_adap.shape)#torch.Size([1, 1, 1, 1])print(x_adap)#tensor([[[[8.5000]]]])全連接核心作用維度變換、升維把零散一維浮標點 “撐開” 成一張空白網格的大小在進入全連接之前我們手里拿到的往往是一串「一維離散點」比如某個海域里只有 5 個浮標每個浮標測到一個有效波高拼起來就是一個長度為 5 的向量。而后續(xù)的卷積層需要的是「二維矩陣」形式的輸入高度 × 寬度兩者形狀對不上中間就必須靠全連接層來做一次「形狀翻譯」。具體做法是把長度為 N 的一維向量通過一個Linear(N, H*W)的線性層映射成 H×W 個數值再reshape成 H×W 的二維矩陣。這樣原本零散分布的浮標點就被「撐開」鋪滿了一整張網格每個網格點都對應一個由所有浮標共同決定的數值。例子輸入只有少數幾個浮標的有效波高輸出一張二維海浪空間分布圖importtorchimporttorch.nnasnn# 假設海域網格是 8×8共 64 個格點H,W8,8# 只有 5 個浮標測得 5 個有效波高buoystorch.randn(1,5)# shape: [batch1, 浮標數5]# 全連接升維5 - 64fcnn.Linear(5,H*W)gridfc(buoys)# shape: [1, 64]gridgrid.reshape(1,1,H,W)# shape: [1, 1, 8, 8]print(grid.shape)# torch.Size([1, 1, 8, 8])優(yōu)點可以把任意長度一維離散點變成二維矩陣解決「浮標是離散點不能直接進卷積」的難題。無論浮標是 3 個、5 個還是 20 個只要調整Linear的輸入維度都能統(tǒng)一映射到同一張網格上后續(xù)卷積層的接口就固定下來了。缺點沒有空間局部感知不會利用 “相鄰海域海浪高度是漸變” 這個常識單獨用全連接重建出來的空間場效果很差。因為全連接層對每個輸出格點都獨立地連接了全部輸入浮標它并不知道「左上角」和「右下角」在空間上是遠是近也無法表達「離某個浮標越近、波高越接近該浮標讀數」這種先驗。結果就是重建出的空間場容易出現不自然的跳變和噪點看起來不像真實的海浪分布。也正因為如此全連接在這里只承擔「升維 變形」的過渡角色真正負責把空間結構補回來的是后面的卷積層。卷積層核心作用提取空間局部特征學習空間相鄰關系把粗糙畫布打磨成合理的海浪場學習海浪空間平滑、空間分布規(guī)律修復空間紋理 輸出高質量二維網格化有效波高場