PyTorch是一个Python的深度学习框架，具有强大的GPU加速能力，支持自动求导，实现神经网络训练的快速、灵活和可扩展性。在深度学习中，池化是一种常用的操作，可以有效减少特征数量，从而减少计算量，提高模型的泛化能力。PyTorch提供了全局平均池化和最大池化两种池化操作，可以用来实现特征的降维和模型的泛化。
全局平均池化
全局平均池化是一种特殊的池化操作，它将输入特征图（通常是卷积层的输出）的所有元素求平均值，得到一个单一的输出值，这个值代表了整个特征图的特征。在PyTorch中，可以使用nn.AdaptiveAvgPool2d函数来实现全局平均池化，它接受一个参数output_size，表示输出的特征图的大小，如果将output_size设置为1，则可以实现全局平均池化。下面是一个使用全局平均池化的示例代码：
import torch import torch.nn as nn # 定义一个4x4的输入特征图 input = torch.randn(1, 1, 4, 4) # 定义一个全局平均池化层 avg_pool = nn.AdaptiveAvgPool2d(output_size=1) # 计算输出 output = avg_pool(input) # 输出结果 print(output)
输出结果为：
tensor([[[[-0.1480]]]])
最大池化
最大池化是一种常用的池化操作，它将输入特征图（通常是卷积层的输出）的每个子区域的元素中取最大值，得到一个新的特征图，这个特征图的特征表示了输入特征图中每个子区域的最大值。在PyTorch中，可以使用nn.AdaptiveMaxPool2d函数来实现最大池化，它接受一个参数output_size，表示输出的特征图的大小，如果将output_size设置为1，则可以实现全局最大池化。下面是一个使用最大池化的示例代码：
import torch import torch.nn as nn # 定义一个4x4的输入特征图 input = torch.randn(1, 1, 4, 4) # 定义一个全局最大池化层 max_pool = nn.AdaptiveMaxPool2d(output_size=1) # 计算输出 output = max_pool(input) # 输出结果 print(output)
输出结果为：
tensor([[[[0.8588]]]])