Pytorch官方文檔（十）翻譯版本——池化

torch.nn.MaxPool2d

作用：

• 對由多個輸入平面組成的輸入Tensor應用2維 max池化，就是說在一個卷積核內部，只取最大的那個數作爲輸出結果。
• 在最簡單的情況下，輸入大小爲（N, C, H, W）、輸出爲（N, C, Hout, Wout）並且kernel_size爲（KH, KW）的層可以被精確地描述爲：
  
  參數：

1. kernel_size，應用maxpool操作的窗口大小
2. stride，窗口的步長，默認值時kernel_size，步長的意思是窗口每次移動的距離。
3. padding，兩邊要添加的隱式零填充。
4. dilation，控制窗口元素步長的參數。
5. return_indices，如果True，將沿着輸入返回最大的下標。
6. ceil_mode，True，將會使用ceil代替floor完成計算。

例子：

m = nn.MaxPool2d(3, stride=2)

input = torch.randn(20, 16, 11, 11)
output = m(input)

print(output.size())

# 輸出結果
torch.Size([20, 16, 5, 5])
# 可以看到  這個就是大家最瞭解的最大池化了

上圖爲官方文檔中給出的公式，鑑於dilation基本爲1，所以公式變形爲：Hout = [(Hin + 2*p - kernel_size) / stride ]+ 1

torch.nn.AvgPool2d

• 名叫平均池化，對輸入2維Tensor做池化，與上面的最大池化差不多，只有計算方式有不同。
• 平均池化的計算方式爲，在一個卷積核內，將所有數計算平均值作爲輸出的結果。

torch.nn.LPPool2d

作用：

• 定義了一個新的池化函數，函數表達式如下：
  
• 當 p=∞ 時，此函數與最大池化功能相同；當 p=1時，此函數相當於求和池化。
• 可以看到，這樣的選取更加自由。

參數：

1. kernel_size， 窗口的大小。
2. stride，步長。
3. ceil_mode，True，將會使用ceil代替floor完成計算。

例子：

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool2d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool2d(1.2, (3, 2), stride=(2, 1)) # 窗口內所有數1.2次冪求和開1.2次方
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)

# 可以實現不同計算方式的池化