其他推理框架可能不支持AdaptivePooling操作，该操作仅存于PyTorch中

PyTorch官方文档可知，

AdaptivePooling可通过输入大小input_size自适应控制输出大小output_size，
而一般的AvgPooling/MaxPooling则是通过kernel_size、stride、padding来计算output_size，公式如下：
outputsize=ceil((inputsize+2∗padding−kernelsize)/stride)+1output_size=ceil((input_size+2∗padding−kernel_size)/stride)+1outputsize=ceil((inputsize+2∗padding−kernelsize)/stride)+1

因此通过input_size、output_size反推kernel_size、stride、padding，参考官方源码(https://github.com/pytorch/pytorch/blob/master/aten/src/ATen/native/AdaptiveAveragePooling.cpp)将padding设为0，那么可推出去kernel_size、stride：

stride=floor(inputsize/outputsize)stride=floor(input_size/output_size)stride=floor(inputsize/outputsize)
kernelsize=inputsize−(outputsize−1)∗stridekernel_size=input_size−(output_size−1)∗stridekernelsize=inputsize−(outputsize−1)∗stride

例如，PyTorch网络的某一层含有nn.AdaptiveAvgPool2d(output_size=(14,14))，

它的output_size为(14,14)(14, 14)(14,14)，
该层的输入特征图大小为10∗128∗12810*128*12810∗128∗128，
那么输出的特征图大小为10∗14∗1410*14*1410∗14∗14，那么带入公式

可计算出nn.AvgPool2d(kernel_size, stride)的

stride=(int(128/14), int(128/14)),
kernel_size=((128-(14-1)*stride, (128-(14-1)*stride)

验证如下：

import torch
from   torch import nninput = torch.randn(10, 36, 36)
AAVP = nn.AdaptiveAvgPool2d(output_size=(12,12))
AVP  = nn.AvgPool2d(kernel_size=(3,3), stride=(3,3))output_AAVP = AAVP(input)
output_AVP  = AVP(input)

链接：https://blog.csdn.net/github_28260175/article/details/103436020

实际情况

GAP

global average pooling 与 average pooling 的差别就在 “global” 这一个字眼上。global 与 local 在字面上都是用来形容 pooling 窗口区域的。 local 是取 feature map 的一个子区域求平均值，然后滑动这个子区域； global 显然就是对整个 feature map 求平均值了。

链接：https://blog.csdn.net/qq_23304241/article/details/80292859

代码验证

利用现有的pooling API实现全局平均池化的效果。

首先我们简单理解全局平均池化操作。
如果有一批特征图，其尺寸为 [ B, C, H, W], 我们经过全局平均池化之后，尺寸变为[B, C, 1, 1]。
也就是说，全局平均池化其实就是对每一个通道图所有像素值求平均值，然后得到一个新的1 * 1的通道图。

明白这个思路之后，我们就可以很容易实现全局平均池化了。

利用自适应平均池化就可以快速实现。或者自适应最大池化也可以，一样

链接：https://blog.csdn.net/CVSvsvsvsvs/article/details/90495254

In [1]: import torchIn [2]: a = torch.rand([1, 2048 ,32 ,32])In [3]: a.size()
Out[3]: torch.Size([1, 2048 ,32 ,32])In [4]: b = torch.nn.functional.adaptive_avg_pool2d(a, (1,1))  # 自适应池化，指定池化输出尺寸为 1 * 1In [5]: b.size()
Out[5]: torch.Size([1, 2048 , 1, 1])

池化padding

这里主要分析最大池化和平均池化两个函数，函数中padding参数设置和矩阵形状计算都与卷积一样，但需要注意的是：

当padding=‘SAME’，计算avg_pool时，每次的计算是除以图像被filter框出的非零元素的个数，而不是filter元素的个数，如下图，第一行第三列我们计算出的结果是除以2而非4，第三行第三列计算出的结果是除以1而非4；
当计算全局池化时，即与图像矩阵形状相同的过滤器进行一次池化，此情况下无padding，即在边缘没有补0，我们直接除以整个矩阵的元素个数，而不是除以非零元素个数（注意与第一点进行区分）

填充0，还是1

padding实在卷积操作之前的, 可以进行补0操作,也可补其他的.

其中padding补0 的策略是四周都补,如果padding=1,那么就会在原来输入层的基础上,上下左右各补一行,如果padding=(1,1)中第一个参数表示在高度上面的padding,第二个参数表示在宽度上面的padding.如下图:

池化层中都会加入padding操作的作用

(1) 池化层的作用体现在降采样,保留图像的显著特征,降低图像维度,使得特征图变小,简化网络.,增大kernel的感受野, 同时,也会提供一些旋转不变性. 但是特征图变小,有可能会影响到网络的准确度(措施:可以通过增加特征的深度来弥补,如深度变成原来的2倍)

(2) 卷积会带来的两个问题(1,卷积运算后,输出图像的尺寸会缩小; 2 越是边缘的像素点,对输出的影响就越小,卷积的时候移到边缘就结束了,但是中间的像素点有可能会参与多次计算,但是边缘的像素点可能只参与一次计算…因此可能会丢失边缘信息.)

padding的用途: 保持边界信息;可以对有差异的图片进行补齐,使得图像的输入大小一致;在卷积层中加入padding ,会使卷基层的输入维度与输出维度一致; 同时,可以保持边界信息 …

使用AvgPooling替换AdaptivePooling，池化padding,global average pooling 与 average pooling 的差别相关推荐

全局平均池化（Global Average Pooling）
出处:Lin M, Chen Q, Yan S. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013. 定义:将特征图所有像素值相加 ...
深度学习入门 (九)：卷积层和池化层的实现
目录卷积神经网络 CNN 整体结构卷积层全连接层存在的问题卷积运算乘积累加运算偏置填充 (padding) 步幅 (stride) 小结:卷积层的输出特征图的大小 3 维数据的卷积运算 ...
狠补基础-数学+算法角度讲解卷积层,激活函数,池化层,Dropout层,BN层,全链接层
狠补基础-数学+算法角度讲解卷积层,激活函数,池化层,Dropout层,BN层,全链接层在这篇文章中您将会从数学和算法两个角度去重新温习一下卷积层,激活函数,池化层,Dropout层,BN层,全链接 ...
卷积神经网络---卷积层、激励层、池化层以及全连接层
文章目录概述卷积神经网络局部连接+权值共享** 输入层卷积层激励层池化层全连接层参考资料概述这两天在看论文,涉及到卷积神经网络的知识,之前一直对这块迷迷糊糊.看到了一篇博文写的很好 ...
全局平均池化（Golbal Average Pooling）与Concatenate层
转载:全剧平均池化出处:Lin M, Chen Q, Yan S. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013. 查看全文 ...
图像平均池化利用pytorch对图像进行池化
一. 池化简介平均池化:将图片按照固定大小网格分割,网格内的像素值取网格内所有像素的平均值. 池化:使用均等大小的网格将图片分割,并求网格内代表值的过程. 池化是卷积神经网络(convolution ...
(arxiv-2018)图像检索的注意力感知广义平均池化
图像检索的注意力感知广义平均池化 paper题目:ATTENTION-AWARE GENERALIZED MEAN POOLING FOR IMAGE RETRIEVAL paper是吉联科技集团发表 ...
对卷积神经网络中卷积层、激活层、池化层、全连接层的理解
文章目录卷积神经网络输入层卷积层激励层池化层全连接层卷积神经网络举一个卷积神经网络识别汽车的例子如下: 其中数据输入的是一张图片(输入层),CONV表示卷积层,RELU表示激励层,PO ...
padding和卷积的区别_池化、池化与卷积异同、zero-padding
1 池化(pooling)层的理解池化,也即降采样(subsample),降低数据的大小. 池化(pooling) 2 池化方法常用的池化方法是:最大值池化(max_pooling),平均值池化. ...
PyTorch中池化层的padding和ceil_mode参数设置
在池化操作的接口中,padding和ceil_mode这两个参数会影响到输出特征图的大小.padding即对特征图大小进行扩充的像素数量:ceil_mode指明,当剩余的像素不足滤波器大小,是否仍对这 ...

使用AvgPooling替换AdaptivePooling，池化padding,global average pooling 与 average pooling 的差别