在上一節中我們詳細的闡述了Conv2d的計算原理，今天我們來講述下Pytorch中其他比較常見的操作！
在lenet5的時候，受限於計算能力和存儲能力，通常採用downsample來降維
在pytorch中使用Pooling操作來實現採樣，常見的pool操作包含Max_pool，Avg_pool等
Max_pool
x = t.rand(1,3,7,7)
out = nn.MaxPool2d(kernel_size=2,stride=2)
out.forward(x).shape
torch.Size([1, 3, 3, 3])
啓動kernel代表的是觀察角度，如下圖kernel就是2*2，stride和Conv操作中一樣代表每次移動的步長。
下圖操作，在每次觀察區域內取最大值作爲採樣數據進行降維操作，這樣做的優點是可以使顯性特徵更明顯，降維操作並沒有更改輸出和輸出的channel_num
Avg_pool
對於Avg_pool來說，參數和Max_pool是完全相同的，主要區別就是在kernel中取的是平均值操作。
AdaptiveAvgPool2d&AdaptiveMaxPool2d
和之前的運算方法不同，torch.nn提供了自適應size的函數樣例如下：
可以看出，輸出結果的size是按照我們給丁的結果進行運算的，一個參數代表H和W相同，也可以自定義（H，W），底層是對F.adaptive_avg_pool2d的封裝，一般在類中的是大寫小寫的是函數，在Function中。
class AdaptiveAvgPool2d(_AdaptiveAvgPoolNd):
r"""Applies a 2D adaptive average pooling over an input signal composed of several input planes.
The output is of size H x W, for any input size.
The number of output features is equal to the number of input planes.
Args:
output_size: the target output size of the image of the form H x W.
Can be a tuple (H, W) or a single H for a square image H x H.
H and W can be either a ``int``, or ``None`` which means the size will
be the same as that of the input.
Examples:
>>> # target output size of 5x7
>>> m = nn.AdaptiveAvgPool2d((5,7))
>>> input = torch.randn(1, 64, 8, 9)
>>> output = m(input)
>>> # target output size of 7x7 (square)
>>> m = nn.AdaptiveAvgPool2d(7)
>>> input = torch.randn(1, 64, 10, 9)
>>> output = m(input)
>>> # target output size of 10x7
>>> m = nn.AdaptiveMaxPool2d((None, 7))
>>> input = torch.randn(1, 64, 10, 9)
>>> output = m(input)
"""
@weak_script_method
def forward(self, input):
return F.adaptive_avg_pool2d(input, self.output_size)
我們可以根據下面的內容推導出我們不知道的參數，從而實現AdaptiveAvgPool2d&AdaptiveMaxPool2與前兩個函數的轉換，C++源碼
stride = floor ( (input_size / (output_size) )
kernel_size = input_size − (output_size−1) * stride
padding = 0
堅持一件事或許很難，但堅持下來一定很酷！^_^