Pytorch学习之AdaptiveAvgPool2d函数

一、简介

torch.nn.AdaptiveAvgPool2d 是 PyTorch 中用于实现自适应平均池化（Adaptive Average Pooling）的模块。

该层将输入特征图的高度和宽度调整到指定的输出尺寸，通过对输入特征图的不同区域取平均值来生成输出特征图。

与固定大小的池化层（如AvgPool2d）不同，自适应池化可以处理任意大小的输入特征图，并将其调整为固定的输出尺寸。

二、语法和参数

torch.nn.AdaptiveAvgPool2d(output_size)

参数

output_size (int 或 tuple或None): 指定输出特征图的高度和宽度。
- 如果是一个整数，则输出特征图的高度和宽度相等；
- 如果是一个元组，则分别指定高度和宽度。
- 如果为None，则输出特征图尺寸和输入保持一致

三、实例

例子1: 将输入特征图调整为 1x1 尺寸

import torch
import torch.nn as nn

# 定义自适应平均池化层，输出尺寸为 1x1
adaptive_pool = nn.AdaptiveAvgPool2d((1, 1))

# 创建一个示例输入特征图，尺寸为 1x3x4x4
input_tensor = torch.randn(1, 3, 4, 4)

# 进行自适应平均池化
output_tensor = adaptive_pool(input_tensor)

print("输出：", output_tensor)

输出：

输出： tensor([[[[-0.4230]],

         [[-0.1645]],

         [[ 0.2068]]]])

例子2: 将输入特征图调整为 2x2 尺寸

import torch
import torch.nn as nn

# 定义自适应平均池化层，输出尺寸为 2x2
adaptive_pool = nn.AdaptiveAvgPool2d((2, 2))

# 创建一个示例输入特征图，尺寸为 1x3x4x4
input_tensor = torch.randn(1, 3, 4, 4)

# 进行自适应平均池化
output_tensor = adaptive_pool(input_tensor)

print("输出：", output_tensor)

输出：

输出： tensor([[[[ 0.1580, -0.1175],
          [ 0.0783, -0.0728]],

         [[-0.2235,  0.1540],
          [ 0.8765, -0.3074]],

         [[ 0.0404,  0.5360],
          [ 0.0769,  1.0124]]]])

例子3: 将输入特征图调整为不同的宽和高

import torch
import torch.nn as nn

# 定义自适应平均池化层，输出尺寸为 3x2
adaptive_pool = nn.AdaptiveAvgPool2d((3, 2))

# 创建一个示例输入特征图，尺寸为 1x3x4x4
input_tensor = torch.randn(1, 3, 4, 4)

# 进行自适应平均池化
output_tensor = adaptive_pool(input_tensor)

print("输出：", output_tensor)

输出：

输出： tensor([[[[ 0.6717, -0.1523],
          [ 0.7000, -0.3135],
          [-0.0811, -0.2327]],

         [[-0.7094,  0.7487],
          [-0.2777,  0.4406],
          [-0.1335,  0.7731]],

         [[ 0.2006, -0.2842],
          [-0.5824, -0.1561],
          [-0.6107, -0.1758]]]])