CNN平均池化层代码

CNN（卷积神经网络）中的平均池化层用于减少特征图的尺寸，并提取出主要特征。以下是一个简单的CNN平均池化层的代码示例：

import torch
import torch.nn as nn

# 定义一个简单的CNN模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.pool = nn.AvgPool2d(kernel_size=2, stride=2)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.pool(x)
        return x

# 创建一个CNN模型实例
model = CNN()

# 输入数据
input_data = torch.randn(1, 3, 32, 32)  # 假设输入数据为3通道的32x32图像

# 前向传播
output = model(input_data)

print(output.size())  # 打印输出特征图的尺寸

在上述代码中，我们首先定义了一个简单的CNN模型，其中包含一个卷积层（`conv1`）和一个平均池化层（`pool`）。在模型的前向传播过程中，输入数据经过卷积层后，再经过平均池化层进行特征提取和尺寸缩减。最后，我们打印出输出特征图的尺寸。