门户网站建设和检务公开情况自查报告,网站模板建设,免费平台推广,定制开发app软件报价单前言
nn.AdaptiveAvgPool2d(output_size) 函数作用#xff1a;自适应进行平均池化。不用管输入、stride、padding#xff0c;函数参数只有输出大小#xff0c;其他的这个函数帮你搞定。 问题就是#xff0c;我想知道他是咋搞定的#xff1f;
1 函数的使用
先把例子摆上…前言
nn.AdaptiveAvgPool2d(output_size) 函数作用自适应进行平均池化。不用管输入、stride、padding函数参数只有输出大小其他的这个函数帮你搞定。 问题就是我想知道他是咋搞定的
1 函数的使用
先把例子摆上来
input torch.randn(20, 3, 10, 9)
m nn.AdaptiveAvgPool2d((5, 7))
output m(input)1.1 输入输出
输入 input 应为(N, C, H_in, W_in) 或 (C, H_in W_in)。这里的 N 表示batch_sizeC 表示通道数量。输出 output 为 (N, C, S_0, S_1) 或 (C, S_0, S_1) 这里 C 不会改变。
1.2 写法
假设输入是input torch.randn(20, 3, 10, 9) 他的参数有三种写法
如果目标输出size是 5x7 m nn.AdaptiveAvgPool2d((5, 7))如果目标输出size是7x7即长宽一样就可以写成m nn.AdaptiveAvgPool2d(7) 如果目标输出size是10x7即某一边与输入一样就可以写成m nn.AdaptiveAvgPool2d((None, 7))
2 函数是咋自适应的
2.1 结论
2.1.1 input size 可以整除 output size o u t p u t i n p u t 2 ∗ p a d d i n g − k e r n e l s t r i d e 1 output \frac{input2*padding -kernel}{stride}1 outputstrideinput2∗padding−kernel1 其中 p a d d i n g 0 、 s t r i d e i n p u t o u t p u t k e r n e l i n p u t − ( o u t p u t − 1 ) ∗ s t r i d e padding0、stride\frac{input}{output}kernelinput-(output-1)*stride padding0、strideoutputinputkernelinput−(output−1)∗stride
举例input size 6*6output 2*3 计算padding 0、stride为3和2、kernel size 3*2 代码验证
m nn.AdaptiveAvgPool2d((2, 3))
temp torch.tensor([1.0,2,3,4,5,6,7,8,9,0,1.0,2,3,4,5,6,7,8,9,0,1.0,2,3,4,5,6,7,8,9,0,1.0,2,3,4,5,6])
input temp.reshape(1,6,6)
print(input1)
print(input)
output m(input)
print(output1)
print(output)2.1.2 不能整除的时候
自适应公式是这样的 i 从0开始 K i c e i l ( ( i 1 ) ∗ i n p u t o u t p u t ) − f l o o r ( i ∗ i n p u t o u t p u t ) K_iceil((i1)*\frac{input}{output})-floor(i*\frac{input}{output}) Kiceil((i1)∗outputinput)−floor(i∗outputinput) S i f l o o r ( ( i 1 ) ∗ i n p u t o u t p u t ) − f l o o r ( i ∗ i n p u t o u t p u t ) S_ifloor((i1)*\frac{input}{output})-floor(i*\frac{input}{output}) Sifloor((i1)∗outputinput)−floor(i∗outputinput)
上述公式由源码推导实际代码中并没有去计算核大小和步长因为核大小和步长是在不算变化的。
举例解释一波 假设我们输入size是1维的14我们想要的输出的size是4 14/43.5 那么我们核大小就为向上取整为4步长随之而变 输出的size改为3 14/34.666 那么我们核大小就为向上取整为5步长随之而变
2.2 推导
pytorch官网代码 参考连接
