.. _sec_pooling:
汇聚层
======
通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。
而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷积图层的所有优势保留在中间层。
此外，当检测较底层的特征时（例如
:numref:`sec_conv_layer`\ 中所讨论的边缘），我们通常希望这些特征保持某种程度上的平移不变性。例如，如果我们拍摄黑白之间轮廓清晰的图像\ ``X``\ ，并将整个图像向右移动一个像素，即\ ``Z[i, j] = X[i, j + 1]``\ ，则新图像\ ``Z``\ 的输出可能大不相同。而在现实中，随着拍摄角度的移动，任何物体几乎不可能发生在同一像素上。即使用三脚架拍摄一个静止的物体，由于快门的移动而引起的相机振动，可能会使所有物体左右移动一个像素（除了高端相机配备了特殊功能来解决这个问题）。
本节将介绍\ *汇聚*\ （pooling）层，它具有双重目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。
最大汇聚层和平均汇聚层
----------------------
与卷积层类似，汇聚层运算符由一个固定形状的窗口组成，该窗口根据其步幅大小在输入的所有区域上滑动，为固定形状窗口（有时称为\ *汇聚窗口*\ ）遍历的每个位置计算一个输出。
然而，不同于卷积层中的输入与卷积核之间的互相关计算，汇聚层不包含参数。
相反，池运算是确定性的，我们通常计算汇聚窗口中所有元素的最大值或平均值。这些操作分别称为\ *最大汇聚层*\ （maximum
pooling）和\ *平均汇聚层*\ （average pooling）。
在这两种情况下，与互相关运算符一样，汇聚窗口从输入张量的左上角开始，从左往右、从上往下的在输入张量内滑动。在汇聚窗口到达的每个位置，它计算该窗口中输入子张量的最大值或平均值。计算最大值或平均值是取决于使用了最大汇聚层还是平均汇聚层。
.. _fig_pooling:
.. figure:: ../img/pooling.svg
汇聚窗口形状为 :math:`2\times 2`
的最大汇聚层。着色部分是第一个输出元素，以及用于计算这个输出的输入元素:
:math:`\max(0, 1, 3, 4)=4`.
:numref:`fig_pooling`\ 中的输出张量的高度为\ :math:`2`\ ，宽度为\ :math:`2`\ 。这四个元素为每个汇聚窗口中的最大值：
.. math::
\max(0, 1, 3, 4)=4,\\
\max(1, 2, 4, 5)=5,\\
\max(3, 4, 6, 7)=7,\\
\max(4, 5, 7, 8)=8.\\
汇聚窗口形状为\ :math:`p \times q`\ 的汇聚层称为\ :math:`p \times q`\ 汇聚层，汇聚操作称为\ :math:`p \times q`\ 汇聚。
回到本节开头提到的对象边缘检测示例，现在我们将使用卷积层的输出作为\ :math:`2\times 2`\ 最大汇聚的输入。
设置卷积层输入为\ ``X``\ ，汇聚层输出为\ ``Y``\ 。
无论\ ``X[i, j]``\ 和\ ``X[i, j + 1]``\ 的值相同与否，或\ ``X[i, j + 1]``\ 和\ ``X[i, j + 2]``\ 的值相同与否，汇聚层始终输出\ ``Y[i, j] = 1``\ 。
也就是说，使用\ :math:`2\times 2`\ 最大汇聚层，即使在高度或宽度上移动一个元素，卷积层仍然可以识别到模式。
在下面的代码中的\ ``pool2d``\ 函数，我们实现汇聚层的前向传播。 这类似于
:numref:`sec_conv_layer`\ 中的\ ``corr2d``\ 函数。
然而，这里我们没有卷积核，输出为输入中每个区域的最大值或平均值。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
import mindspore
from mindspore import nn, ops
from d2l import mindspore as d2l
def pool2d(X, pool_size, mode='max'):
p_h, p_w = pool_size
Y = d2l.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
if mode == 'max':
Y[i, j] = X[i: i + p_h, j: j + p_w].max()
elif mode == 'avg':
Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
return Y
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
import torch
from torch import nn
from d2l import torch as d2l
def pool2d(X, pool_size, mode='max'):
p_h, p_w = pool_size
Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
if mode == 'max':
Y[i, j] = X[i: i + p_h, j: j + p_w].max()
elif mode == 'avg':
Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
return Y
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
X = mindspore.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
pool2d(X, (2, 2))
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[2, 2], dtype=Float32, value=
[[ 4.00000000e+00, 5.00000000e+00],
[ 7.00000000e+00, 8.00000000e+00]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
pool2d(X, (2, 2))
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[4., 5.],
[7., 8.]])
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d(X, (2, 2), 'avg')
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[2, 2], dtype=Float32, value=
[[ 2.00000000e+00, 3.00000000e+00],
[ 5.00000000e+00, 6.00000000e+00]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d(X, (2, 2), 'avg')
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[2., 3.],
[5., 6.]])
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
X = d2l.arange(16, dtype=mindspore.float32).reshape((1, 1, 4, 4))
X
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[1, 1, 4, 4], dtype=Float32, value=
[[[[ 0.00000000e+00, 1.00000000e+00, 2.00000000e+00, 3.00000000e+00],
[ 4.00000000e+00, 5.00000000e+00, 6.00000000e+00, 7.00000000e+00],
[ 8.00000000e+00, 9.00000000e+00, 1.00000000e+01, 1.10000000e+01],
[ 1.20000000e+01, 1.30000000e+01, 1.40000000e+01, 1.50000000e+01]]]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
X = torch.arange(16, dtype=torch.float32).reshape((1, 1, 4, 4))
X
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.]]]])
默认情况下，深度学习框架中的步幅与汇聚窗口的大小相同。
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d(3, stride=3)
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[1, 1, 1, 1], dtype=Float32, value=
[[[[ 1.00000000e+01]]]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d(3)
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[[[10.]]]])
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d(3, stride=2, pad_mode='pad', padding=1)
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[1, 1, 2, 2], dtype=Float32, value=
[[[[ 5.00000000e+00, 7.00000000e+00],
[ 1.30000000e+01, 1.50000000e+01]]]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[[[ 5., 7.],
[13., 15.]]]])
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d((2, 3), stride=(2, 3), pad_mode='pad', padding=(0, 1))
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[1, 1, 2, 2], dtype=Float32, value=
[[[[ 5.00000000e+00, 7.00000000e+00],
[ 1.30000000e+01, 1.50000000e+01]]]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d((2, 3), stride=(2, 3), padding=(0, 1))
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[[[ 5., 7.],
[13., 15.]]]])
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
X = d2l.concat((X, X + 1), 1)
X
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[1, 2, 4, 4], dtype=Float32, value=
[[[[ 0.00000000e+00, 1.00000000e+00, 2.00000000e+00, 3.00000000e+00],
[ 4.00000000e+00, 5.00000000e+00, 6.00000000e+00, 7.00000000e+00],
[ 8.00000000e+00, 9.00000000e+00, 1.00000000e+01, 1.10000000e+01],
[ 1.20000000e+01, 1.30000000e+01, 1.40000000e+01, 1.50000000e+01]],
[[ 1.00000000e+00, 2.00000000e+00, 3.00000000e+00, 4.00000000e+00],
[ 5.00000000e+00, 6.00000000e+00, 7.00000000e+00, 8.00000000e+00],
[ 9.00000000e+00, 1.00000000e+01, 1.10000000e+01, 1.20000000e+01],
[ 1.30000000e+01, 1.40000000e+01, 1.50000000e+01, 1.60000000e+01]]]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
X = torch.cat((X, X + 1), 1)
X
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.]],
[[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.],
[13., 14., 15., 16.]]]])
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d(3, stride=2, pad_mode='pad', padding=1)
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[1, 2, 2, 2], dtype=Float32, value=
[[[[ 5.00000000e+00, 7.00000000e+00],
[ 1.30000000e+01, 1.50000000e+01]],
[[ 6.00000000e+00, 8.00000000e+00],
[ 1.40000000e+01, 1.60000000e+01]]]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[[[ 5., 7.],
[13., 15.]],
[[ 6., 8.],
[14., 16.]]]])
.. raw:: html
.. raw:: html
.. raw:: html
`讨论 `__
.. raw:: html
.. raw:: html
`讨论 `__
.. raw:: html
.. raw:: html