Pytorch 之torch.nn初探池化--Pooling Layers

任务描述

本关任务：本关提供了一个Variable 类型的变量x，要求按照条件创建一个Conv2d变量conv，一个MaxPool2d变量pool，对x应用卷积和最大池化操作并赋值给变量outpout_pool，并输出outpout_pool 的大小。

MaxPool

|-------------|-----------------|
| MaxPool | 描述 |
| MaxPool1d | 对输入信号应用1维最大池化操作 |
| MaxPool2d | 对输入信号应用2维最大池化操作 |
| MaxPool3d | 对输入信号应用3维最大池化操作 |

下面以MaxPool1d做详细介绍，2维和3维只是在1维的基础上计算了长宽、长宽高的池化。

函数定义：

torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

若输入大小为: (N ,C ,L )，则输出大小为：(N ,C ,L o u t)的计算方式如下：

参数说明：

|----------------|------------------------|------------------------------------|-----------------|
| 参数名 | 参数类型 | 说明 | 默认值 |
| kernel_size | int或tuple | 最大池化窗口的大小 | |
| stride | int or tuple, optional | 滑动窗口 | 默认为 kernel_size |
| padding | int or tuple, optional | 在两侧添加隐式零进行填充 | |
| dilation | int or tuple, optional | 控制窗口中元素步幅的参数 | |
| return_indices | boolean ,optional | 如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助 | |
| ceil_mode | boolean ,optional | 如果等于True，计算输出信号大小的时候，会使用向上取整(ceil) | 默认的向下取整(floor) |

维度： Input: (N ,C ,L ) Output: (N ,C ,L o u t)

应用示例：

复制代码

# pool of size=3, stride=2
m = nn.MaxPool1d(3, stride=2)
input = Variable(torch.Tensor([[[1,2,3,4,5,6,7]]]))
output = m(input)
print(output.size())

输出结果：

Variable containing:(0 ,.,.) = 3 5 7[torch.FloatTensor of size 1x1x3]

AvgPool

|-------------|-----------------|
| AvgPool | 描述 |
| AvgPool1d | 对输入信号应用1维平均池化操作 |
| AvgPool2d | 对输入信号应用2维平均池化操作 |
| AvgPool3d | 对输入信号应用3维平均池化操作 |

下面以AvgPool1d做详细介绍，2维和3维只是在1维的基础上计算了长宽、长宽高的池化。

函数定义：

torch.nn.AvgPool1d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

若输入大小: (N ,C ,L )，输出大小(N ,C ,L o u t)和池化窗口大小k的关系是

如果填充不为零，则输入在两侧都会隐式填充零。

参数kernel_size，stride，padding可以是一个int或一个元素的元组。

参数说明：

|---------------------------------------------------------------------------------------------------------------------------------------------------------|------------------------|------------------------------------|-----------------|
| 参数名 | 参数类型 | 说明 | 默认值 |
| kernel_size | int或tuple | 最大池化窗口的大小 | |
| stride | int or tuple, optional | 滑动窗口 | 默认为 kernel_size |
| padding | int or tuple, optional | 在两侧添加隐式零进行填充 | |
| ceil_mode | boolean ,optional | 如果等于True，计算输出信号大小的时候，会使用向上取整(ceil) | 默认的向下取整(floor) |
| count_include_pad | boolean ,optional | 如果等于True，将在求平均的计算中用0填充 | |
| 维度 | | | |
| Input: (N ,C ,L) | | | |
| Output: (N ,C ,L o u t) | | | |
| L o u t =f l o o r ((L i n +2∗p a d d i n g −k e r n e l s i z e )/s t r i d e+1) | | | |

应用示例：

复制代码

# pool with window of size=3, stride=2
m = nn.AvgPool1d(3, stride=2)
output = m(Variable(torch.Tensor([[[1,2,3,4,5,6,7]]])))
print(output)

输出结果：

Variable containing:(0 ,.,.) = 2 4 6[torch.FloatTensor of size 1x1x3]

编程要求

本关涉及的代码文件为pool.py，本次编程任务是补全右侧代码片段中Begin至End中间的代码，具体要求如下：

创建一个in_channels=3, out_channels=32, kernel_size=(3, 3), stride=1, padding=1, bias=True的Conv2d变量conv；
创建一个kernel_size=(2, 2), stride=2的MaxPool2d变量pool；
对x应用卷积和最大池化操作并赋值给变量outpout_pool；
输出 outpout_pool 的大小。
具体请参见后续测试样例。

测试说明

测试过程：

本关涉及的测试文件为pool.py，运行用户填写后的程序判断正误。
测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错。
请注意输出格式及规范。
注意，在声明变量时请按照提示命名，否则将会报错。

以下是测试样例：

测试输入：预期输出：

Pool output size : torch.Size([10, 32, 14, 14])

Congratulation!

代码实战

复制代码

import torch
import torch.nn as nn
from torch.autograd import Variable
x = Variable(torch.randn(10, 3, 28, 28))

#/********** Begin *********/

#创建一个in_channels=3, out_channels=32, kernel_size=(3, 3), stride=1, padding=1, bias=True的Conv2d变量conv
conv=nn.Conv2d(3,32,(3,3),1,1,bias=True)

#创建一个kernel_size=(2, 2), stride=2的MaxPool2d变量pool
pool=nn.MaxPool2d((2,2),2)

#对x应用卷积和最大池化操作并赋值给变量outpout_pool
outpout_pool=pool(conv(x))

#输出 outpout_pool 的大小,要求输出打印不换行
print('Pool output size : ',outpout_pool.size())
#/********** End *********/

Pytorch 之torch.nn初探 池化--Pooling Layers

任务描述

相关知识

MaxPool

应用示例：

AvgPool

编程要求

测试说明

代码实战

Pytorch 之torch.nn初探池化--Pooling Layers