二维最大池化层：

　　返回窗口中的最大值。

池化层与卷积层类似，都具有填充和步幅；

没有可学习的参数；

在每个输入通道应用池化层以获得相应的输出通道；

输出通道数==输入通道数

 

## 这里不用池化层做多通道融合的原因，是因为通道融合常常是卷积的任务。

 

除了最大池化层，还有一个平均池化层最常用。

 

池化层常常返回窗口的最大值或者平均值；

池化层的主要作用是缓解卷积对位置的敏感性，所以通常被放在卷积层后面。

同样有窗口大小、填充和步幅作为超参数。

 

 Q&A：

额……今天的Q&A我并不觉得学到了什么，不写了。

 

代码：

import torch
from torch import nn
from d2l import torch as d2l

# 池化层的正向传播
def pool2d(X, pool_size, mode='max'): #输入，窗口大小，模式（最大和平均）
    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

X=torch.tensor([[0.0,1.0,2.0],[3.0,4.0,5.0],[6.0,7.0,8.0]])
print(pool2d(X,(2,2)))
print(pool2d(X,(2,2),'avg'))

# 用api实现以下
X=torch.arange(16,dtype=torch.float32).reshape((1,1,4,4))
print(X)
pool2d=nn.MaxPool2d(3)  # 这里解释一下为什么输出只有1个值，因为nn里的pool默认步幅和kernel_size一样，不信咱们下面重新指定一下步幅padding
print(pool2d(X))

pool2d=nn.MaxPool2d(3,stride=1,padding=0)  # 这里解释一下为什么输出只有1个值，因为nn里的pool默认步幅和kernel_size一样，不信咱们下面重新指定一下步幅padding
print("you see,it has changed to 4 numbers:\n",pool2d(X))

# 类似卷积层，我仍然可以用不正的矩形做池化
pool2d=nn.MaxPool2d((2,3),padding=(1,1),stride=(2,3))
print(pool2d(X))


# 池化层在每个输入通道上做运算
Y=torch.stack((X,X+1),1)
X=torch.cat((X,X+1),1)  #这里的维度，0/1/2/3维度分别是样本数、通道数、高、宽，因此在这里拼接的是第一个维度，通道数
print(Y,"\n",X)
print("可以看到，X和Y差了一个维度，这便是stack和cat的区别。在这里X本身已经是四维，不需要添加新的维度（轴）。stark总是会添加一个新轴，而cat会在原来的轴上做拼接。")

pool2d=nn.MaxPool2d((2,3),padding=(1,1),stride=(2,3))
print(pool2d(X))