池化层pooling与采样

upsample与downsample

upsample(interpolating)是上采样，是图片的放大

unpool是上采样的一种

downsample(subsample)是下采样，是图片的缩小

在卷积神经网络中使用的采样方式就是pooling，有点类似下采样，但不太一样

pooling也是把feature map变小的操作

pooling有多种方式，如max pooling, avg pooling

Max pooling是取窗口中最大的值

这里的stride是2，如果是1的话生成的矩阵应该是3*3的了

Avg pooling 就是取窗口中数字的平均值

在最原始的LeNet5用的还不是pooling，用的是subsampling，就是downsampling，就是隔行采样

从AlexNet开始引入了pooling操作

Pytorch的pooling操作

最大池化 maxpooling

torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

平均池化  avgpooling

torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)

 

pooling操作也有nn.和F. 两个版本

Upsample操作

upsample是

①通过插值，即interpolate

②还有unpool方法

③还有转置卷积

scale_factor是放大几倍

mode有多种