课本： https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/pooling.html
视频： https://www.bilibili.com/video/BV1EV411j7nX/?spm_id_from=autoNext&vd_source=eb04c9a33e87ceba9c9a2e5f09752ef8

1. 池化层

降低卷积层对位置信息的敏感度。
用滑动窗口计算输出，但是没有核计算这些东西。即没有要学的东西，不会把模型变大。
不会融合通道-输入输出通道保持一致。多通道融合可以交给卷积层操作，池化层不用处理。
平均池化层–柔和很多。

2. 实现

视频： 【22 池化层【动手学深度学习v2】】 https://www.bilibili.com/video/BV1EV411j7nX/?p=2&share_source=copy_web&vd_source=068b8a252d010fd4d953e492cadc91de

import torch
from torch import nn
from d2l import torch as d2l# 手动实现前向传播。
def pool2d(X, pool_size, mode='max'):p_h, p_w = pool_sizeY = 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 YX = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
# 最大池化层
print(pool2d(X, (2, 2)))
# 平均池化层
print(pool2d(X, (2, 2), 'avg'))X = torch.arange(16, dtype=torch.float32).reshape((1, 1, 4, 4))
print(X)# 一般滑动窗口shape(3,3) 和步幅shape一致（3,3）
pool2d = nn.MaxPool2d(3)
print(pool2d(X))
# 填充和步幅可以手动设定。
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
print(pool2d(X))
# 设定一个任意大小的矩形汇聚窗口，高宽任意
pool2d = nn.MaxPool2d((2, 3), stride=(2, 3), padding=(0, 1))
print(pool2d(X))
# 多通道输入
X = torch.cat((X, X + 1), 1)
print(X)
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
print(pool2d(X))

tensor([[4., 5.],[7., 8.]])
tensor([[2., 3.],[5., 6.]])
tensor([[[[ 0.,  1.,  2.,  3.],[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.],[12., 13., 14., 15.]]]])
tensor([[[[10.]]]])
tensor([[[[ 5.,  7.],[13., 15.]]]])
tensor([[[[ 5.,  7.],[13., 15.]]]])
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.]]]])
tensor([[[[ 5.,  7.],[13., 15.]],[[ 6.,  8.],[14., 16.]]]])

3. QA

待补充