برنامه نویسی
AvgPool2d() در PyTorch
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
یاtuple
یاlist
ازint
). *باید باشد1 <= x
. - آرگومان دوم برای مقداردهی اولیه است
stride
(اختیاری-پیش فرض:None
-نوع:int
یاtuple
یاlist
ازint
): *یادداشت ها:- باید باشد
1 <= x
. - اگر
None
،kernel_size
تنظیم شده است.
- باید باشد
- آرگومان سوم برای مقداردهی اولیه است
padding
(اختیاری-پیش فرض:0
-نوع:int
یاtuple
یاlist
ازint
). *باید باشد0 <= 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
ازint
یاfloat
). - تانسور
requires_grad
که هستFalse
به طور پیش فرض روی تنظیم نشده استTrue
توسطAvgPool2d()
.
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]]]])