Функция PyTorch torch.nn.AdaptiveAvgPool2d

PyTorch torch.nn 参考手册Справочное руководство PyTorch torch.nn

torch.nn.AdaptiveAvgPool2dЭто модуль адаптивного среднего пулинга в PyTorch.

Он может выполнять пулинг входных карт признаков любого размера до заданного целевого размера без ручного вычисления kernel_size и stride.

Определение функции

torch.nn.AdaptiveAvgPool2d(output_size)

Описание параметров:

  • output_size(int или tuple): Размер выхода. Может быть (H, W) или одним int (квадрат).

Примеры использования

Пример 1: Базовое использование

Выполните пулинг карты признаков до фиксированного размера:

Пример

import torch
import torch.nn as nn

# пулинг до 1x1
adaptive_pool = nn.AdaptiveAvgPool2d(1)

# входные данные разных размеров
x1 = torch.randn(1, 64, 32, 32)
x2 = torch.randn(1, 64, 16, 16)
x3 = torch.randn(1, 64, 8, 8)

out1 = adaptive_pool(x1)
out2 = adaptive_pool(x2)
out3 = adaptive_pool(x3)

print("32x32 ->", out1.shape)
print("16x16 ->", out2.shape)
print("8x8   ->", out3.shape)
print("nВсе выходы приводятся к 1x1")

Пример 2: произвольный размер выхода

Пулинг до неквадратного размера:

Пример

import torch
import torch.nn as nn

# пулинг до 4x4
pool = nn.AdaptiveAvgPool2d((4, 4))

x = torch.randn(2, 128, 32, 32)
out = pool(x)

print("Форма входа:", x.shape)
print("Форма выхода:", out.shape)  # (2, 128, 4, 4)

# пулинг до 1x7 (можно использовать для последовательностей)
pool_seq = nn.AdaptiveAvgPool2d((1, 7))
x_seq = torch.randn(2, 64, 10, 20)
out_seq = pool_seq(x_seq)
print("nПулинг последовательности:", x_seq.shape, "->", out_seq.shape)

Пример 3: Использование в CNN

Типичное глобальное усредняющее объединение:

Пример

import torch
import torch.nn as nn

class CNNWithGAP(nn.Module):
    def __init__(self, num_classes=10):
        super(CNNWithGAP, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(64, 128, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(128, 256, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
        )
        # глобальное усредняющее объединение
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.classifier = nn.Linear(256, num_classes)

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

model = CNNWithGAP()
x = torch.randn(4, 3, 32, 32)
output = model(x)

print("Форма входа:", x.shape)
print("Форма выхода:", output.shape)
print("nКарта признаков глобально усредняется в один вектор")

Пример 4: Сравнение с обычным пулингом

Пример

import torch
import torch.nn as nn

# адаптивный пулинг против обычного пулинга
adaptive = nn.AdaptiveAvgPool2d(2)
regular = nn.AvgPool2d(kernel_size=16, stride=16)

x = torch.randn(1, 64, 32, 32)

out_adaptive = adaptive(x)
out_regular = regular(x)

print("Вход:", x.shape)
print("Адаптивный пулинг (выход 2x2):", out_adaptive.shape)
print("Обычный средний пулинг (16x16):", out_regular.shape)

Адаптивный пулинг против обычного пулинга

Type Преимущества Применимые сценарии
AdaptiveAvgPool Произвольный размер входных данных Входные данные разных масштабов
AvgPool Более быстрое вычисление Фиксированный размер входа

Часто задаваемые вопросы

Вопрос 1: Когда использовать адаптивный пулинг?

Когда размер входа не фиксирован или когда его нужно привести к фиксированному размеру.

Вопрос 2: Что такое глобальный средний пулинг?

AdaptiveAvgPool2d(1), который усредняет каждую карту признаков до одного значения.

Сценарии использования

  • Сети классификации: Глобальный средний пулинг заменяет полносвязные слои
  • Входные данные разных масштабов: Адаптация к изображениям разных размеров
  • Агрегация признаков: Извлечение ключевой информации

Совет: Глобальный средний пулинг может значительно уменьшить количество параметров.

PyTorch torch.nn 参考手册Справочное руководство PyTorch torch.nn

Другие расширения