动手实现池化层以及池化图像的可视化

前言

卷积神经网络的核心架构中的池化层往往紧接卷积层后，这里对图像的池化是指对卷积后的图像进行池化，所以卷积图像的可视化请移步《动手实现卷积层以及卷积图像的可视化》

这里就接着卷积后的图像进行池化操作了。

What is Pool

  池化操作的个重要的目的就是对卷积后得到的特征进行进一步处理(主要是降维)，池化层可以起到对数据进一步 浓缩的效果，从而缓解计算时内存的压力。池化会选取-定大小区域， 将该区域内的像素值使用一一个代表元素 表示。如果使用平均值代替，称为平均值池化，如果使用最大值代替则称为最大值池化。

  在Pytorch中有多种池化的类：

1. 最大值池化（MaxPool）

2. 最大值逆池化（MaxUnPool）

3. 平均值池化（AvgPool）

4. 自适应池化(AdaptiveMaxPool、AdaptiveAvgPool)

How to use Conv

以toech.nn.MaxPool2d() 为例子介绍内部参数：

1. kernel_size: 最大值池化窗口

2. stride: 最大值池化窗口移动步长（默认：kernel_size）

3. padding: 输入的每条边补充0的层数

4. dilation: 一个控制窗口中元素步幅的参数
5. 
   
6. return_indices:如果为Ture ,则会返回输出最大值的索引，这样会更加便于之后的逆运算
7. ceil_model: 设置为Ture的时候会向上取整（默认向下取整）

Example

对已经过卷积的图进行的池化

最大值池化结果图：

平均值池化结果图：

Demo

紧接上文《动手实现卷积层以及卷积图像的可视化》

最大值池化：

maxpool2 = nn.MaxPool2d(2, stride=2)
pool2_out = maxpool2(image_conv2d_out)
pool2_out_img = pool2_out.data.squeeze()
pool2_out_image = numpy.array(pool2_out_img, dtype=np.float32)
print(pool2_out.shape)
cv2.imshow("pool2_out", pool2_out_image[1])
cv2.waitKey(0)

平均值池化：

avgpool2 = nn.AvgPool2d(2, stride=2)
pool2_out = avgpool2(image_conv2d_out)
pool2_out_img = pool2_out.data.squeeze()
pool2_out_image = numpy.array(pool2_out_img, dtype=np.float32)
print(pool2_out.shape)
cv2.imshow("pool2_out", pool2_out_image[1])
cv2.waitKey(0)