注意：这里展示的是本篇博文写时的版本最新的实现，但是后续会代码可能会迭代更新，建议对照官方文档进行学习。
先来看源码：
# 这个类是是许多池化类的基类，这里有必要了解一下
class _MaxPoolNd(Module):
__constants__ = ['kernel_size', 'stride', 'padding', 'dilation',
'return_indices', 'ceil_mode']
return_indices: bool
ceil_mode: bool
# 构造函数，这里只需要了解这个初始化函数即可。
def __init__(self, kernel_size: _size_any_t, stride: Optional[_size_any_t] = None,
padding: _size_any_t = 0, dilation: _size_any_t = 1,
return_indices: bool = False, ceil_mode: bool = False) -> None:
super(_MaxPoolNd, self).__init__()
self.kernel_size = kernel_size
self.stride = stride if (stride is not None) else kernel_size
self.padding = padding
self.dilation = dilation
self.return_indices = return_indices
self.ceil_mode = ceil_mode
def extra_repr(self) -> str:
return 'kernel_size={kernel_size}, stride={stride}, padding={padding}' \
', dilation={dilation}, ceil_mode={ceil_mode}'.format(**self.__dict__)
class MaxPool2d(_MaxPoolNd):
kernel_size: _size_2_t
stride: _size_2_t
padding: _size_2_t
dilation: _size_2_t
def forward(self, input: Tensor) -> Tensor:
return F.max_pool2d(input, self.kernel_size, self.stride,
self.padding, self.dilation, self.ceil_mode,
self.return_indices)
MaxPool2d 这个类的实现十分简单。
我们先来看一下基本参数，一共六个：
kernel_size：表示做最大池化的窗口大小，可以是单个值，也可以是tuple元组stride：步长，可以是单个值，也可以是tuple元组padding：填充，可以是单个值，也可以是tuple元组dilation：控制窗口中元素步幅return_indices：布尔类型，返回最大值位置索引ceil_mode：布尔类型，为True，用向上取整的方法，计算输出形状；默认是向下取整。
关于 kernel_size 的详解：
注意这里的 kernel_size 跟卷积核不是一个东西。 kernel_size 可以看做是一个滑动窗口，这个窗口的大小由自己指定，如果输入是单个值，例如
3
3
3 ，那么窗口的大小就是
3
×
3
3 \times 3
3×3 ，还可以输入元组，例如 (3, 2) ，那么窗口大小就是
3
×
2
3 \times 2
3×2 。
最大池化的方法就是取这个窗口覆盖元素中的最大值。
关于 stride 的详解：
上一个参数我们确定了滑动窗口的大小，现在我们来确定这个窗口如何进行滑动。如果不指定这个参数，那么默认步长跟最大池化窗口大小一致。如果指定了参数，那么将按照我们指定的参数进行滑动。例如 stride=(2,3) ， 那么窗口将每次向右滑动三个元素位置，或者向下滑动两个元素位置。
关于 padding 的详解：
这参数控制如何进行填充，填充值默认为0。如果是单个值，例如 1，那么将在周围填充一圈0。还可以用元组指定如何填充，例如
p
a
d
d
i
n
g
=
(
2
,
1
)
padding=(2, 1)
padding=(2,1) ，表示在上下两个方向个填充两行0，在左右两个方向各填充一列0。
关于 dilation 的详解：
不会
关于 return_indices 的详解：
这是个布尔类型值，表示返回值中是否包含最大值位置的索引。注意这个最大值指的是在所有窗口中产生的最大值，如果窗口产生的最大值总共有5个，就会有5个返回值。
关于 ceil_mode 的详解：
这个也是布尔类型值，它决定的是在计算输出结果形状的时候，是使用向上取整还是向下取整。怎么计算输出形状，下面会讲到。一看就知道了。
——————————————参数解析结束分界线——————————————
最大池化层输出形状计算
H
o
u
t
=
⌊
H
i
n
+
2
×
p
a
d
d
i
n
g
⌊
0
⌋
−
d
i
l
a
t
i
o
n
⌊
0
⌋
×
(
k
e
r
n
e
l
_
s
i
z
e
⌊
0
⌋
−
1
)
−
1
s
t
r
i
d
e
⌊
0
⌋
+
1
⌋
H_{out}=\lfloor \frac{H_{in} + 2 \times padding\lfloor 0 \rfloor - dilation \lfloor 0 \rfloor \times (kernel\_size\lfloor 0 \rfloor - 1)-1}{stride\lfloor 0 \rfloor} + 1 \rfloor
Hout=⌊stride⌊0⌋Hin+2×padding⌊0⌋−dilation⌊0⌋×(kernel_size⌊0⌋−1)−1+1⌋
W
o
u
t
=
⌊
W
i
n
+
2
×
p
a
d
d
i
n
g
⌊
1
⌋
−
d
i
l
a
t
i
o
n
⌊
1
⌋
×
(
k
e
r
n
e
l
_
s
i
z
e
⌊
1
⌋
−
1
)
−
1
s
t
r
i
d
e
⌊
1
⌋
+
1
⌋
W_{out}=\lfloor \frac{W_{in} + 2 \times padding\lfloor 1 \rfloor - dilation \lfloor 1 \rfloor \times (kernel\_size\lfloor 1 \rfloor - 1)-1}{stride\lfloor 1 \rfloor} + 1 \rfloor
Wout=⌊stride⌊1⌋Win+2×padding⌊1⌋−dilation⌊1⌋×(kernel_size⌊1⌋−1)−1+1⌋
看到向下取整的符号了吗？这个就是由 ceil_mode 控制的。
——————————————结束分界线——————————————
下面我们写代码验证一下最大池化层是如何计算的：
首先验证 kernel_size 参数：
import torch
import torch.nn as nn
# 仅定义一个 3x3 的池化层窗口
m = nn.MaxPool2d(kernel_size=(3, 3))
# 定义输入
# 四个参数分别表示 (batch_size, C_in, H_in, W_in)
# 分别对应，批处理大小，输入通道数，图像高度（像素），图像宽度（像素）
# 为了简化表示，我们只模拟单张图片输入，单通道图片，图片大小是6x6
input = torch.randn(1, 1, 6, 6)
print(input)
output = m(input)
print(output)
结果：
第一个tensor是我们的输入数据
1
×
1
×
6
×
6
1 \times 1 \times 6 \times 6
1×1×6×6 ，我们画红线的区域就是我们设置的窗口大小
3
×
3
3 \times 3
3×3 ，背景色为红色的值，为该区域的最大值。
第二个tensor就是我们最大池化后的结果，跟我们标注的一模一样。
这个就是最基本的最大池化。
之后我们验证一下 stride 参数：
import torch
import torch.nn as nn
# 仅定义一个 3x3 的池化层窗口
m = nn.MaxPool2d(kernel_size=(3, 3), stride=(2, 2))
# 定义输入
# 四个参数分别表示 (batch_size, C_in, H_in, W_in)
# 分别对应，批处理大小，输入通道数，图像高度（像素），图像宽度（像素）
# 为了简化表示，我们只模拟单张图片输入，单通道图片，图片大小是6x6
input = torch.randn(1, 1, 6, 6)
print(input)
output = m(input)
print(output)
结果：
红色的还是我们的窗口，但是我们的步长变为了2，可以看到第一个窗口和向右滑动后的窗口，他们的最大值刚好是重叠的部分都是2.688，向下滑动之后，最大值是0.8030，再次向右滑动，最大值是2.4859。
可以看到我们在滑动的时候省略了部分数值，因为剩下的数据不够一次滑动了，于是我们将他们丢弃了。
其实最后图片的宽度和高度还可以通过上面两个公式来计算，我们公式中用的是向下取整，因此我们丢弃了不足的数据。现在我们试试向上取整。
利用 ceil_mode 参数向上取整：
import torch
import torch.nn as nn
# 仅定义一个 3x3 的池化层窗口
m = nn.MaxPool2d(kernel_size=(3, 3), stride=(2, 2), ceil_mode=True)
# 定义输入
# 四个参数分别表示 (batch_size, C_in, H_in, W_in)
# 分别对应，批处理大小，输入通道数，图像高度（像素），图像宽度（像素）
# 为了简化表示，我们只模拟单张图片输入，单通道图片，图片大小是6x6
input = torch.randn(1, 1, 6, 6)
print(input)
output = m(input)
print('\n\n\n\n\n')
print(output)
结果：
从结果可以看出，输出的size由原来的
2
×
2
2 \times 2
2×2 变成了现在的
3
×
3
3 \times 3
3×3 。这就是向上取整的结果。为什么会出现这样的结果呢？
这看起来像是我们对输入进行了填充，但是这个填充值不会参与到计算最大值中。
继续验证 padding 参数：
import torch
import torch.nn as nn
# 仅定义一个 3x3 的池化层窗口
m = nn.MaxPool2d(kernel_size=(3, 3), stride=(3, 3), padding=(1, 1))
# 定义输入
# 四个参数分别表示 (batch_size, C_in, H_in, W_in)
# 分别对应，批处理大小，输入通道数，图像高度（像素），图像宽度（像素）
# 为了简化表示，我们只模拟单张图片输入，单通道图片，图片大小是6x6
input = torch.randn(1, 1, 6, 6)
print(input)
output = m(input)
print('\n\n')
print(output)
结果：
我们对周围填充了一圈0，我们滑动窗口的范围就变化了，这就是填充的作用。
但是有一点需要注意，就是即使我们填充了0，这个0也不会被选为最大值。例如上图的左上角四个数据，如果我们全部变为负数，结果是-0.1711，而不会是我们填充的0值，这一点要注意。
最后验证 return_indices 参数：
import torch
import torch.nn as nn
# 仅定义一个 3x3 的池化层窗口
m = nn.MaxPool2d(kernel_size=(3, 3), return_indices=True)
# 定义输入
# 四个参数分别表示 (batch_size, C_in, H_in, W_in)
# 分别对应，批处理大小，输入通道数，图像高度（像素），图像宽度（像素）
# 为了简化表示，我们只模拟单张图片输入，单通道图片，图片大小是6x6
input = torch.randn(1, 1, 6, 6)
print(input)
output = m(input)
print(output)
结果：
仅仅是多返回了一个位置信息。元素位置从0开始计数，6表示第7个元素，9表示第10个元素…需要注意的是，返回值实际上是多维的数据，但是我们只看相关的元素位置信息，忽略维度的问题。
最后一个参数 dilation ，不会
版权声明：本文为CSDN博主「Medlen」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_38481963/article/details/109962715
暂无评论