深度学习入门文档深度页

池化与下采样

用局部最大值、平均值或自适应汇总缩小空间尺寸。

学习目标

手算 MaxPool
比较平均/最大
使用自适应池化

为什么需要这个概念

深层特征不需要一直保持原始分辨率。

控制计算和感受野
理解 CNN 形状变化

学习前需要掌握

卷积形状内容待补充

背景与问题

深层特征不需要一直保持原始分辨率。

概念定义

池化通常无可学习权重，降低 H/W、减少计算并扩大后续感受野。

直观理解

把邻近小区域浓缩成一个代表值。

核心原理

普通池化不改变 batch 和通道；MaxPool(2,2) 常使高宽减半。

现代网络也用 stride 卷积下采样；池化不会凭空恢复丢失信息。

数学表达

核心公式

y_{c, i, j} = (u, v) \in Ω_{ij} max x_{c, u, v}

Ω 是当前池化窗口。

变量含义

Ω局部窗口
c通道

计算步骤

1取局部最大值

代码对应位置

示例 1池化与下采样 · PyTorch 示例：验证池化与下采样的输入、计算和输出。

变量解释

变量	含义
`Ω`	局部窗口
`c`	通道

完整数值示例

2×2 MaxPool

已知条件

[[1,3],[2,0]]

1
取局部最大值

处理前后对比

计算与实现步骤

1
划分窗口
2
局部汇总
3
按 stride 移动
4
得到缩小特征图

代码实现

示例 1

池化与下采样 · PyTorch 示例

池化与下采样 · PyTorch 示例

PyTorchexample_01.py

用途：验证池化与下采样的输入、计算和输出。

1pool=nn.MaxPool2d(2,2)
2x=torch.tensor([[[[1.,3.],[2.,0.]]]])
3print(pool(x))

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

验证池化与下采样的输入、计算和输出。

Step 1 · 1–3 行

输出中间参数、形状或最终指标，用于核对代码是否符合预期。

pool=nn.MaxPool2d(2,2)
x=torch.tensor([[[[1.,3.],[2.,0.]]]])
print(pool(x))

预期输出或运行结果

tensor([[[[3.]]]])。

常见错误 · 3 条

池化过多尺寸归零
以为池化可学习
忽略边界公式

实际应用

CNN 下采样
全局特征汇总

常见错误

池化过多尺寸归零

以为池化可学习

忽略边界公式

文档来源

07_CNN卷积神经网络详解原始文档

学习资料/deeplearning/07_CNN卷积神经网络详解.md

§9 池化层
§11 感受野

常见问题

池化是必需层吗？

不是，可用 stride 卷积替代。

AdaptiveAvgPool 的优势？

可指定固定输出尺寸，分类头不写死输入高宽。

池化与下采样

用局部最大值、平均值或自适应汇总缩小空间尺寸。

学习目标

手算 MaxPool
比较平均/最大
使用自适应池化

为什么需要这个概念

深层特征不需要一直保持原始分辨率。

控制计算和感受野
理解 CNN 形状变化

学习前需要掌握

卷积形状内容待补充

背景与问题

深层特征不需要一直保持原始分辨率。

概念定义

池化通常无可学习权重，降低 H/W、减少计算并扩大后续感受野。

直观理解

把邻近小区域浓缩成一个代表值。

核心原理

普通池化不改变 batch 和通道；MaxPool(2,2) 常使高宽减半。

现代网络也用 stride 卷积下采样；池化不会凭空恢复丢失信息。

数学表达

核心公式

y_{c, i, j} = (u, v) \in Ω_{ij} max x_{c, u, v}

Ω 是当前池化窗口。

变量含义

Ω局部窗口
c通道

计算步骤

1取局部最大值

代码对应位置

示例 1池化与下采样 · PyTorch 示例：验证池化与下采样的输入、计算和输出。

变量解释

变量	含义
`Ω`	局部窗口
`c`	通道

完整数值示例

2×2 MaxPool

已知条件

[[1,3],[2,0]]

1
取局部最大值

处理前后对比

计算与实现步骤

1
划分窗口
2
局部汇总
3
按 stride 移动
4
得到缩小特征图

代码实现

示例 1

池化与下采样 · PyTorch 示例

池化与下采样 · PyTorch 示例

PyTorchexample_01.py

用途：验证池化与下采样的输入、计算和输出。

1pool=nn.MaxPool2d(2,2)
2x=torch.tensor([[[[1.,3.],[2.,0.]]]])
3print(pool(x))

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

验证池化与下采样的输入、计算和输出。

Step 1 · 1–3 行

输出中间参数、形状或最终指标，用于核对代码是否符合预期。

pool=nn.MaxPool2d(2,2)
x=torch.tensor([[[[1.,3.],[2.,0.]]]])
print(pool(x))

预期输出或运行结果

tensor([[[[3.]]]])。

常见错误 · 3 条

池化过多尺寸归零
以为池化可学习
忽略边界公式

实际应用

CNN 下采样
全局特征汇总

常见错误

池化过多尺寸归零

以为池化可学习

忽略边界公式

文档来源

07_CNN卷积神经网络详解原始文档

学习资料/deeplearning/07_CNN卷积神经网络详解.md

§9 池化层
§11 感受野

常见问题

池化是必需层吗？

不是，可用 stride 卷积替代。

AdaptiveAvgPool 的优势？

可指定固定输出尺寸，分类头不写死输入高宽。

学习目标

为什么需要这个概念

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

2×2 MaxPool

已知条件

处理前后对比

计算与实现步骤

代码实现

池化与下采样 · PyTorch 示例

代码解析

输入数据与任务

Step 1 · 1–3 行

预期输出或运行结果

常见错误 · 3 条

实际应用

常见错误

与其他概念的关系

文档来源

常见问题

池化是必需层吗？

AdaptiveAvgPool 的优势？

推荐学习资料

学习目标

为什么需要这个概念

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

2×2 MaxPool

已知条件

处理前后对比

计算与实现步骤

代码实现

池化与下采样 · PyTorch 示例

代码解析

输入数据与任务

Step 1 · 1–3 行

预期输出或运行结果

常见错误 · 3 条

实际应用

常见错误

与其他概念的关系

文档来源

常见问题

池化是必需层吗？

AdaptiveAvgPool 的优势？

推荐学习资料