技術標籤：python卷積深度學習卷積神經網路計算機視覺神經網路

我們知道平均池化的作用就是kernel_size大小的池化視窗在特徵圖上滑動，池化視窗覆蓋到的特徵圖的值相加後平均作為該覆蓋區域的值輸出。如果我們用卷積的操作去表示平均池化，卷積的權重可以表示為(假設為二維資料，kernel_size=3)：

注意：此時卷積核的權重不再是可訓練引數。

程式碼實現：

# 定義卷積核的權重引數
def define_Conv_to_Avg2d(in_channel,out_channel,kernel_size):
    if isinstance (kernel_size,int):
        weight=
 
torch.ones((in_channel,out_channel,kernel_size,kernel_size))
        xs=kernel_size*kernel_size
        weight=weight/xs
        
    elif isinstance (kernel_size,tuple) and len(kernel_size)==2:
        weight=torch.ones((in_channel,out_channel,kernel_size[0],kernel_size[1]))
        xs=kernel_size[0]*
 
kernel_size[1]
        weight=weight/xs
        
    else:
        print('kernel_size size error!')
    
    return weight

Pi = nn.Conv3d(in_channel,out_channel,kernel_size=3,stride=2, padding=1, bias=False)

# 因為池化不改變通道大小，所以這裡in_channel=out_channel
Pi.weight=torch.nn.Parameter(define_Conv_to_Avg2d(
 
in_channel,out_channel,kernel_size=3),requires_grad=False)