datetime:2024/08/14 17:47
author:nzb
本项目源于《动手学深度学习》，添加了一些自己的学习笔记，方便搜索查阅。正版GitHub地址：https://github.com/d2l-ai/d2l-zh
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 《图像卷积》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。
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: .">
图6.5.1 汇聚窗口形状为 2x2 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: max(0,1,3,4)=4.
图6.5.1 中的输出张量的高度为，宽度为。这四个元素为每个汇聚窗口中的最大值：
汇聚窗口形状为的汇聚层称为汇聚层，汇聚操作称为汇聚。
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《图像卷积》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。
#@tab pytorch
from d2l import torch as d2l
import torch
from torch import nn
#@tab mxnet, pytorch, paddle
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
我们可以构建 图6.5.1中的输入张量X，[验证二维最大汇聚层的输出]。
#@tab all
X = d2l.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
pool2d(X, (2, 2))
# tensor([[4., 5.],
# [7., 8.]])
此外，我们还可以(验证平均汇聚层)。
#@tab all
pool2d(X, (2, 2), 'avg')
# tensor([[2., 3.],
# [5., 6.]])
[填充和步幅]
与卷积层一样，汇聚层也可以改变输出形状。和以前一样，我们可以通过填充和步幅以获得所需的输出形状。
下面，我们用深度学习框架中内置的二维最大汇聚层，来演示汇聚层中填充和步幅的使用。
我们首先构造了一个输入张量X，它有四个维度，其中样本数和通道数都是1。
#@tab mxnet, pytorch
X = d2l.reshape(d2l.arange(16, dtype=d2l.float32), (1, 1, 4, 4))
X
# 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)。
因此，如果我们使用形状为(3, 3)的汇聚窗口，那么默认情况下，我们得到的步幅形状为(3, 3)。
#@tab pytorch
pool2d = nn.MaxPool2d(3)
pool2d(X)
# tensor([[[[10.]]]])
[填充和步幅可以手动设定]。
#@tab pytorch
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
# tensor([[[[ 5., 7.],
# [13., 15.]]]])
当然，我们可以(设定一个任意大小的矩形汇聚窗口，并分别设定填充和步幅的高度和宽度)。
#@tab pytorch
pool2d = nn.MaxPool2d((2, 3), stride=(2, 3), padding=(0, 1))
pool2d(X)
# tensor([[[[ 5., 7.],
# [13., 15.]]]])
多个通道
在处理多通道输入数据时，[汇聚层在每个输入通道上单独运算]，而不是像卷积层一样在通道上对输入进行汇总。
这意味着汇聚层的输出通道数与输入通道数相同。
下面，我们将在通道维度上连结张量X和X + 1，以构建具有2个通道的输入。
#@tab mxnet, pytorch, paddle
X = d2l.concat((X, X + 1), 1)
X
# 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.]]]])
如下所示，汇聚后输出通道的数量仍然是2。
#@tab pytorch
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
# tensor([[[[ 5., 7.],
# [13., 15.]],
# [[ 6., 8.],
# [14., 16.]]]])
小结
- 对于给定输入元素，最大汇聚层会输出该窗口内的最大值，平均汇聚层会输出该窗口内的平均值。
- 汇聚层的主要优点之一是减轻卷积层对位置的过度敏感。
- 我们可以指定汇聚层的填充和步幅。
- 使用最大汇聚层以及大于1的步幅，可减少空间维度（如高度和宽度）。
- 汇聚层的输出通道数与输入通道数相同。
练习
- 尝试将平均汇聚层作为卷积层的特殊情况实现。
- 尝试将最大汇聚层作为卷积层的特殊情况实现。
- 假设汇聚层的输入大小为，则汇聚窗口的形状为，填充为，步幅为。这个汇聚层的计算成本是多少？
- 为什么最大汇聚层和平均汇聚层的工作方式不同？
- 我们是否需要最小汇聚层？可以用已知函数替换它吗？
- 除了平均汇聚层和最大汇聚层，是否有其它函数可以考虑（提示：回想一下
softmax）？为什么它不流行？