برنامه نویسی

AvgPool2d() در PyTorch

ek3nk4r 2024-09-15

0 3 خواندن این مطلب 2 دقیقه زمان میبرد

پیشنهاد ویژه

خرید فالوور واقعی خرید لایک اینستاگرام خرید ویو اینستاگرام خرید فالوور اینستاگرام

برای من یک قهوه بخر☕

*یادداشت ها:

پست من Pooling Layer را توضیح می دهد.
پست من AvgPool1d() را توضیح می دهد.
پست من MaxPool1d() را توضیح می دهد.
پست من MaxPool2d() را توضیح می دهد.
پست من MaxPool3d() را توضیح می دهد.
پست من نیاز_grad را توضیح می دهد.

AvgPool2d() می تواند تانسور سه بعدی یا چهار بعدی یک یا چند مقدار محاسبه شده با ادغام میانگین دوبعدی از تانسور 3 بعدی یا 4 بعدی یک یا چند عنصر را به دست آورد که در زیر نشان داده شده است:

*یادداشت ها:

آرگومان اول برای مقداردهی اولیه است kernel_size(الزامی-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
آرگومان دوم برای مقداردهی اولیه است stride(اختیاری-پیش فرض:None-نوع:int یا tuple یا list از int): *یادداشت ها:
- باید باشد 1 <= x.
- اگر None، kernel_size تنظیم شده است.
آرگومان سوم برای مقداردهی اولیه است padding(اختیاری-پیش فرض:0-نوع:int یا tuple یا list از int). *باید باشد 0 <= x.
آرگومان چهارم برای مقداردهی اولیه است ceil_mode(اختیاری-پیش فرض:False-نوع:bool).
آرگومان پنجم برای مقداردهی اولیه است count_include_pad(اختیاری-پیش فرض:True-نوع:bool).
آرگومان ششم برای مقداردهی اولیه است divisor_override(اختیاری-پیش فرض:None-نوع:int).
استدلال اول این است input(الزامی-نوع:tensor از int یا float).
تانسور requires_grad که هست False به طور پیش فرض روی تنظیم نشده است True توسط AvgPool2d().

import torch
from torch import nn

tensor1 = torch.tensor([[[8., -3., 0., 1., 5., -2.]]])

tensor1.requires_grad
# False

avgpool2d = nn.AvgPool2d(kernel_size=1)
tensor2 = avgpool2d(input=tensor1)
tensor2
# tensor([[[8., -3., 0., 1., 5., -2.]]])

tensor2.requires_grad
# False

avgpool2d
# AvgPool2d(kernel_size=1, stride=1, padding=0)

avgpool2d.kernel_size
# 1

avgpool2d.stride
# 1

avgpool2d.padding
# 0

avgpool2d.ceil_mode
# False

avgpool2d.count_include_pad
# True

avgpool2d.divisor_override
# None

avgpool2d = nn.AvgPool2d(kernel_size=1, stride=None, padding=0, 
                         ceil_mode=False, count_include_pad=True, 
                         divisor_override=None)
avgpool2d(input=tensor1)
# tensor([[[8., -3., 0., 1., 5., -2.]]])

avgpool2d = nn.AvgPool2d(kernel_size=2, padding=1)
avgpool2d(input=tensor1)
# tensor([[[2.0000, -0.7500, 1.5000, -0.5000]]])

avgpool2d = nn.AvgPool2d(kernel_size=2, padding=1, divisor_override=2)
avgpool2d(input=tensor1)
# tensor([[[4.0000, -1.5000, 3.0000, -1.0000]]])

avgpool2d = nn.AvgPool2d(kernel_size=3, padding=1)
avgpool2d(input=tensor1)
# tensor([[[0.5556, 0.6667]]])

avgpool2d = nn.AvgPool2d(kernel_size=4, padding=2)
avgpool2d(input=tensor1)
# tensor([[[0.3125, 0.2500]]])

avgpool2d = nn.AvgPool2d(kernel_size=5, padding=2)
avgpool2d(input=tensor1)
# tensor([[[0.2000, 0.1600]]])

avgpool2d = nn.AvgPool2d(kernel_size=6, padding=3)
avgpool2d(input=tensor1)
# tensor([[[0.1389, 0.1111]]])

avgpool2d = nn.AvgPool2d(kernel_size=7, padding=3)
avgpool2d(input=tensor1)
# tensor([[[0.1224]]])
etc.

my_tensor = torch.tensor([[[8.], [-3.], [0.]],
                          [[1.], [5.], [-2.]]])
avgpool2d = nn.AvgPool2d(kernel_size=1)
avgpool2d(input=my_tensor)
# tensor([[[8.], [-3.], [0.]],
#         [[1.], [5.], [-2.]]])

avgpool2d = nn.AvgPool2d(kernel_size=2, padding=1)
avgpool2d(input=my_tensor)
# tensor([[[2.0000], [-0.7500]],
#         [[0.2500], [0.7500]]])

avgpool2d = nn.AvgPool2d(kernel_size=2, padding=1, divisor_override=2)
avgpool2d(input=my_tensor)
# tensor([[[4.0000], [-1.5000]],
#         [[0.5000], [1.5000]]])

avgpool2d = nn.AvgPool2d(kernel_size=3, padding=1)
avgpool2d(input=my_tensor)
# tensor([[[0.5556]], [[0.6667]]])

avgpool2d = nn.AvgPool2d(kernel_size=4, padding=2)
avgpool2d(input=my_tensor)
# tensor([[[0.3125]], [[0.3750]]])

avgpool2d = nn.AvgPool2d(kernel_size=5, padding=2)
avgpool2d(input=my_tensor)
# tensor([[[0.2000]], [[0.1600]]])

avgpool2d = nn.AvgPool2d(kernel_size=6, padding=3)
avgpool2d(input=my_tensor)
# tensor([[[0.1389]], [[0.1111]]])

avgpool2d = nn.AvgPool2d(kernel_size=7, padding=3)
avgpool2d(input=my_tensor)
# tensor([[[0.1020]], [[0.0816]]])
etc.

my_tensor = torch.tensor([[[[8.], [-3.], [0.]],
                           [[1.], [5.], [-2.]]]])
avgpool2d = nn.AvgPool2d(kernel_size=1)
avgpool2d(input=my_tensor)
# tensor([[[[8.], [-3.], [0.]],
#          [[1.], [5.], [-2.]]]])

my_tensor = torch.tensor([[[[8], [-3], [0]],
                           [[1], [5], [-2]]]])
avgpool2d = nn.AvgPool2d(kernel_size=1)
avgpool2d(input=my_tensor)
# tensor([[[[8], [-3], [0]],
#          [[1], [5], [-2]]]])