池化的核心作用池化Pooling一般用在卷积网络里有 4 个核心作用1降维下采样缩小特征图高、宽减少参数量、加快计算2特征浓缩把一块区域的关键特征保留下来3平移不变性物体稍微偏移不影响提取的特征4抑制过拟合减少冗余信息三类常用的池化1最大池化 MaxPool取区域最大值保留边缘、纹理特征2平均池化 AvgPool取区域平均值保留整体、平滑特征3自适应池化 AdaptivePool不管输入多大强制输出指定尺寸importtorchimporttorch.nnasnn# 1. 造一个模拟特征张量# shape: [batch1, channel1, height4, width4]xtorch.tensor([[[[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]]]],dtypetorch.float32)print(原始张量 shape:,x.shape)#torch.Size([1, 1, 4, 4])print(原始张量)print(x)#tensor([[[[ 1., 2., 3., 4.],[ 5., 6., 7., 8.], [ 9., 10., 11., 12.],[13., 14., 15., 16.]]]])# 最大池化2乘2窗口内的最大值max_poolnn.MaxPool2d(kernel_size2,stride2)x_maxmax_pool(x)print(shape:,x_max.shape)#torch.Size([1, 1, 2, 2])print(x_max)#tensor([[[[ 6., 8.],[14., 16.]]]])# 平均池化2乘2窗口内的平均值avg_poolnn.AvgPool2d(kernel_size2,stride2)x_avgavg_pool(x)print(shape:,x_avg.shape)#torch.Size([1, 1, 2, 2])print(x_avg)#tensor([[[[ 3.5000, 5.5000],[11.5000, 13.5000]]]])# 自适应平均池化 输出固定 1×1adap_avg_poolnn.AdaptiveAvgPool2d(output_size1)x_adapadap_avg_pool(x)print(shape:,x_adap.shape)#torch.Size([1, 1, 1, 1])print(x_adap)#tensor([[[[8.5000]]]])全连接核心作用维度变换、升维把零散一维浮标点 “撑开” 成一张空白网格的大小在进入全连接之前我们手里拿到的往往是一串「一维离散点」比如某个海域里只有 5 个浮标每个浮标测到一个有效波高拼起来就是一个长度为 5 的向量。而后续的卷积层需要的是「二维矩阵」形式的输入高度 × 宽度两者形状对不上中间就必须靠全连接层来做一次「形状翻译」。具体做法是把长度为 N 的一维向量通过一个Linear(N, H*W)的线性层映射成 H×W 个数值再reshape成 H×W 的二维矩阵。这样原本零散分布的浮标点就被「撑开」铺满了一整张网格每个网格点都对应一个由所有浮标共同决定的数值。例子输入只有少数几个浮标的有效波高输出一张二维海浪空间分布图importtorchimporttorch.nnasnn# 假设海域网格是 8×8共 64 个格点H,W8,8# 只有 5 个浮标测得 5 个有效波高buoystorch.randn(1,5)# shape: [batch1, 浮标数5]# 全连接升维5 - 64fcnn.Linear(5,H*W)gridfc(buoys)# shape: [1, 64]gridgrid.reshape(1,1,H,W)# shape: [1, 1, 8, 8]print(grid.shape)# torch.Size([1, 1, 8, 8])优点可以把任意长度一维离散点变成二维矩阵解决「浮标是离散点不能直接进卷积」的难题。无论浮标是 3 个、5 个还是 20 个只要调整Linear的输入维度都能统一映射到同一张网格上后续卷积层的接口就固定下来了。缺点没有空间局部感知不会利用 “相邻海域海浪高度是渐变” 这个常识单独用全连接重建出来的空间场效果很差。因为全连接层对每个输出格点都独立地连接了全部输入浮标它并不知道「左上角」和「右下角」在空间上是远是近也无法表达「离某个浮标越近、波高越接近该浮标读数」这种先验。结果就是重建出的空间场容易出现不自然的跳变和噪点看起来不像真实的海浪分布。也正因为如此全连接在这里只承担「升维 变形」的过渡角色真正负责把空间结构补回来的是后面的卷积层。卷积层核心作用提取空间局部特征学习空间相邻关系把粗糙画布打磨成合理的海浪场学习海浪空间平滑、空间分布规律修复空间纹理 输出高质量二维网格化有效波高场 
长河君 · 2026/10/27 1:34:58 · 阅读 1.2k 深度学习笔记（小白笔记）
池化的核心作用池化Pooling一般用在卷积网络里有 4 个核心作用1降维下采样缩小特征图高、宽减少参数量、加快计算2特征浓缩把一块区域的关键特征保留下来3平移不变性物体稍微偏移不影响提取的特征4抑制过拟合减少冗余信息三类常用的池化1最大池化 MaxPool取区域最大值保留边缘、纹理特征2平均池化 AvgPool取区域平均值保留整体、平滑特征3自适应池化 AdaptivePool不管输入多大强制输出指定尺寸importtorchimporttorch.nnasnn# 1. 造一个模拟特征张量# shape: [batch1, channel1, height4, width4]xtorch.tensor([[[[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]]]],dtypetorch.float32)print(原始张量 shape:,x.shape)#torch.Size([1, 1, 4, 4])print(原始张量)print(x)#tensor([[[[ 1., 2., 3., 4.],[ 5., 6., 7., 8.], [ 9., 10., 11., 12.],[13., 14., 15., 16.]]]])# 最大池化2乘2窗口内的最大值max_poolnn.MaxPool2d(kernel_size2,stride2)x_maxmax_pool(x)print(shape:,x_max.shape)#torch.Size([1, 1, 2, 2])print(x_max)#tensor([[[[ 6., 8.],[14., 16.]]]])# 平均池化2乘2窗口内的平均值avg_poolnn.AvgPool2d(kernel_size2,stride2)x_avgavg_pool(x)print(shape:,x_avg.shape)#torch.Size([1, 1, 2, 2])print(x_avg)#tensor([[[[ 3.5000, 5.5000],[11.5000, 13.5000]]]])# 自适应平均池化 输出固定 1×1adap_avg_poolnn.AdaptiveAvgPool2d(output_size1)x_adapadap_avg_pool(x)print(shape:,x_adap.shape)#torch.Size([1, 1, 1, 1])print(x_adap)#tensor([[[[8.5000]]]])全连接核心作用维度变换、升维把零散一维浮标点 “撑开” 成一张空白网格的大小在进入全连接之前我们手里拿到的往往是一串「一维离散点」比如某个海域里只有 5 个浮标每个浮标测到一个有效波高拼起来就是一个长度为 5 的向量。而后续的卷积层需要的是「二维矩阵」形式的输入高度 × 宽度两者形状对不上中间就必须靠全连接层来做一次「形状翻译」。具体做法是把长度为 N 的一维向量通过一个Linear(N, H*W)的线性层映射成 H×W 个数值再reshape成 H×W 的二维矩阵。这样原本零散分布的浮标点就被「撑开」铺满了一整张网格每个网格点都对应一个由所有浮标共同决定的数值。例子输入只有少数几个浮标的有效波高输出一张二维海浪空间分布图importtorchimporttorch.nnasnn# 假设海域网格是 8×8共 64 个格点H,W8,8# 只有 5 个浮标测得 5 个有效波高buoystorch.randn(1,5)# shape: [batch1, 浮标数5]# 全连接升维5 - 64fcnn.Linear(5,H*W)gridfc(buoys)# shape: [1, 64]gridgrid.reshape(1,1,H,W)# shape: [1, 1, 8, 8]print(grid.shape)# torch.Size([1, 1, 8, 8])优点可以把任意长度一维离散点变成二维矩阵解决「浮标是离散点不能直接进卷积」的难题。无论浮标是 3 个、5 个还是 20 个只要调整Linear的输入维度都能统一映射到同一张网格上后续卷积层的接口就固定下来了。缺点没有空间局部感知不会利用 “相邻海域海浪高度是渐变” 这个常识单独用全连接重建出来的空间场效果很差。因为全连接层对每个输出格点都独立地连接了全部输入浮标它并不知道「左上角」和「右下角」在空间上是远是近也无法表达「离某个浮标越近、波高越接近该浮标读数」这种先验。结果就是重建出的空间场容易出现不自然的跳变和噪点看起来不像真实的海浪分布。也正因为如此全连接在这里只承担「升维 变形」的过渡角色真正负责把空间结构补回来的是后面的卷积层。卷积层核心作用提取空间局部特征学习空间相邻关系把粗糙画布打磨成合理的海浪场学习海浪空间平滑、空间分布规律修复空间纹理 输出高质量二维网格化有效波高场