برنامه نویسی

MaxPool2d() در PyTorch

ek3nk4r 2024-09-14

0 6 خواندن این مطلب 4 دقیقه زمان میبرد

پیشنهاد ویژه

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

Summarize this content to 400 words in Persian Lang برای من یک قهوه بخر☕

*یادداشت ها:

پست من Pooling Layer را توضیح می دهد.

پست من MaxPool1d() را توضیح می دهد.

پست من نیاز_grad را توضیح می دهد.

MaxPool2d() می تواند تانسور 3 بعدی یا 4 بعدی یک یا چند مقدار محاسبه شده با ادغام حداکثر 2 بعدی را از تانسور 3 بعدی یا 4 بعدی یک یا چند عنصر مانند زیر بدست آورد:

*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:kernel_size-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
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 dilation(اختیاری-پیش فرض:1-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
آرگومان پنجم برای مقداردهی اولیه است return_indices(اختیاری-پیش فرض:False-نوع:bool).
آرگومان ششم برای مقداردهی اولیه است ceil_mode(اختیاری-پیش فرض:False-نوع:bool).
استدلال اول این است input(الزامی-نوع:tensor از float).
تانسور requires_grad که هست False به طور پیش فرض روی تنظیم نشده است True توسط MaxPool2d().

import torch
from torch import nn

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

tensor1.requires_grad
# False

maxpool2d = nn.MaxPool2d(kernel_size=1)
tensor2 = maxpool2d(input=tensor1)
tensor2
# tensor([[[8., -3., 0., 1., 5., -2.]]])

tensor2.requires_grad
# False

maxpool2d
# MaxPool2d(kernel_size=1, stride=1, padding=0, dilation=1, ceil_mode=False)

maxpool2d.kernel_size
# 1

maxpool2d.stride
# 1

maxpool2d.padding
# 0

maxpool2d.dilation
# 1

maxpool2d.return_indices
# False

maxpool2d.ceil_mode
# False

maxpool2d = nn.MaxPool2d(kernel_size=1, stride=None, padding=0,
dilation=1, return_indices=False, ceil_mode=False)
maxpool2d(input=tensor1)
# tensor([[[8., -3., 0., 1., 5., -2.]]])

maxpool2d = nn.MaxPool2d(kernel_size=2, padding=1, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 0., 5., -2.]]]), tensor([[[0, 2, 4, 5]]]))

maxpool2d = nn.MaxPool2d(kernel_size=3, padding=1, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=4, padding=2, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=5, padding=2, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=6, padding=3, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=7, padding=3, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))

maxpool2d = nn.MaxPool2d(kernel_size=8, padding=4, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))

maxpool2d = nn.MaxPool2d(kernel_size=9, padding=4, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))

maxpool2d = nn.MaxPool2d(kernel_size=10, padding=5, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))
etc.

my_tensor = torch.tensor([[[8., -3., 0.],
[1., 5., -2.]]])
maxpool2d = nn.MaxPool2d(kernel_size=1, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[8., -3., 0.],
# [1., 5., -2.]]]),
# tensor([[[0, 1, 2],
# [3, 4, 5]]]))

maxpool2d = nn.MaxPool2d(kernel_size=2, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[8.]]]),
# tensor([[[0]]]))

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

maxpool2d = nn.MaxPool2d(kernel_size=1, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[8.], [-3.], [0.], [1.], [5.], [-2.]]]),
# tensor([[[0], [1], [2], [3], [4], [5]]]))

my_tensor = torch.tensor([[[[8.], [-3.], [0.]],
[[1.], [5.], [-2.]]]])
maxpool2d = nn.MaxPool2d(kernel_size=1, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[[8.], [-3.], [0.]],
# [[1.], [5.], [-2.]]]]),
# tensor([[[[0], [1], [2]],
# [[0], [1], [2]]]]))

برای من یک قهوه بخر☕

*یادداشت ها:

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

*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:kernel_size-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
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 dilation(اختیاری-پیش فرض:1-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
آرگومان پنجم برای مقداردهی اولیه است return_indices(اختیاری-پیش فرض:False-نوع:bool).
آرگومان ششم برای مقداردهی اولیه است ceil_mode(اختیاری-پیش فرض:False-نوع:bool).
استدلال اول این است input(الزامی-نوع:tensor از float).
تانسور requires_grad که هست False به طور پیش فرض روی تنظیم نشده است True توسط MaxPool2d().

import torch
from torch import nn

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

tensor1.requires_grad
# False

maxpool2d = nn.MaxPool2d(kernel_size=1)
tensor2 = maxpool2d(input=tensor1)
tensor2
# tensor([[[8., -3., 0., 1., 5., -2.]]])

tensor2.requires_grad
# False

maxpool2d
# MaxPool2d(kernel_size=1, stride=1, padding=0, dilation=1, ceil_mode=False)

maxpool2d.kernel_size
# 1

maxpool2d.stride
# 1

maxpool2d.padding
# 0

maxpool2d.dilation
# 1

maxpool2d.return_indices
# False

maxpool2d.ceil_mode
# False

maxpool2d = nn.MaxPool2d(kernel_size=1, stride=None, padding=0, 
                         dilation=1, return_indices=False, ceil_mode=False)
maxpool2d(input=tensor1)
# tensor([[[8., -3., 0., 1., 5., -2.]]])

maxpool2d = nn.MaxPool2d(kernel_size=2, padding=1, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 0., 5., -2.]]]), tensor([[[0, 2, 4, 5]]]))

maxpool2d = nn.MaxPool2d(kernel_size=3, padding=1, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=4, padding=2, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=5, padding=2, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=6, padding=3, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8., 5.]]]), tensor([[[0, 4]]]))

maxpool2d = nn.MaxPool2d(kernel_size=7, padding=3, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))

maxpool2d = nn.MaxPool2d(kernel_size=8, padding=4, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))

maxpool2d = nn.MaxPool2d(kernel_size=9, padding=4, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))

maxpool2d = nn.MaxPool2d(kernel_size=10, padding=5, return_indices=True)
maxpool2d(input=tensor1)
# (tensor([[[8.]]]), tensor([[[0]]]))
etc.

my_tensor = torch.tensor([[[8., -3., 0.],
                           [1., 5., -2.]]])
maxpool2d = nn.MaxPool2d(kernel_size=1, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[8., -3., 0.],
#           [1., 5., -2.]]]),
#  tensor([[[0, 1, 2],
#           [3, 4, 5]]]))

maxpool2d = nn.MaxPool2d(kernel_size=2, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[8.]]]),
#  tensor([[[0]]]))

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

maxpool2d = nn.MaxPool2d(kernel_size=1, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[8.], [-3.], [0.], [1.], [5.], [-2.]]]),
#  tensor([[[0], [1], [2], [3], [4], [5]]]))

my_tensor = torch.tensor([[[[8.], [-3.], [0.]],
                           [[1.], [5.], [-2.]]]])
maxpool2d = nn.MaxPool2d(kernel_size=1, return_indices=True)
maxpool2d(input=my_tensor)
# (tensor([[[[8.], [-3.], [0.]],
#           [[1.], [5.], [-2.]]]]),
#  tensor([[[[0], [1], [2]],
#           [[0], [1], [2]]]]))