PyTorch torch.nn.AvgPool2d Funktion
PyTorch torch.nn Referenzhandbuch
torch.nn.AvgPool2dEs ist ein 2D-Average-Pooling-Modul in PyTorch.
Es berechnet den Durchschnitt für jedes Fenster der Eingabe und wird häufig für Downsampling und Feature-Aggregation verwendet.
Funktionsdefinition
torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)
Parameterbeschreibung
kernel_size: Pooling-Fenstergrößestride: stride, Standardwert ist kernel_sizepadding: Padding-Größeceil_mode: ob ceil zur Berechnung der Ausgabegröße verwendet werden soll
Anwendungsbeispiele
Beispiel 1: Grundlegende Verwendung
Beispiel
import torch
import torch.nn as nn
pool = nn.AvgPool2d(kernel_size=2, stride=2)
x = torch.randn(1, 1, 4, 4)
output = pool(x)
print("Eingabe:n", x.squeeze().tolist())
print("nAusgabe:n", output.squeeze().tolist())
print("Form:", x.shape, "->", output.shape)
import torch.nn as nn
pool = nn.AvgPool2d(kernel_size=2, stride=2)
x = torch.randn(1, 1, 4, 4)
output = pool(x)
print("Eingabe:n", x.squeeze().tolist())
print("nAusgabe:n", output.squeeze().tolist())
print("Form:", x.shape, "->", output.shape)
Beispiel 2: Global Average Pooling
Beispiel
import torch
import torch.nn as nn
# Globales Average-Pooling
gap = nn.AdaptiveAvgPool2d(1)
x = torch.randn(4, 64, 16, 16)
out = gap(x)
print("Eingabe:", x.shape)
print("Ausgabe:", out.shape)
print("Anzahl der Durchschnittswerte pro Kanal:", out.numel() // 64)
import torch.nn as nn
# Globales Average-Pooling
gap = nn.AdaptiveAvgPool2d(1)
x = torch.randn(4, 64, 16, 16)
out = gap(x)
print("Eingabe:", x.shape)
print("Ausgabe:", out.shape)
print("Anzahl der Durchschnittswerte pro Kanal:", out.numel() // 64)
Beispiel 3: Vergleich mit MaxPool
Beispiel
import torch
import torch.nn as nn
x = torch.tensor([[[
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12],
[13, 14, 15, 16]
]]], dtype=torch.float32)
maxpool = nn.MaxPool2d(2, 2)
avgpool = nn.AvgPool2d(2, 2)
print("Eingabe:n", x[0, 0])
print("nMaxPool:n", maxpool(x)[0, 0])
print("nAvgPool:n", avgpool(x)[0, 0])
import torch.nn as nn
x = torch.tensor([[[
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12],
[13, 14, 15, 16]
]]], dtype=torch.float32)
maxpool = nn.MaxPool2d(2, 2)
avgpool = nn.AvgPool2d(2, 2)
print("Eingabe:n", x[0, 0])
print("nMaxPool:n", maxpool(x)[0, 0])
print("nAvgPool:n", avgpool(x)[0, 0])
Anwendungsfälle
- Feature-Aggregation: Räumliche Dimensionen reduzieren
- Global Average Pooling: Vollständig verbundene Schichten ersetzen
- Merkmale glättenRauschen reduzieren
Weitere Erweiterungen