pytroch CNN 池化

在PyTorch中，池化操作可以通过`torch.nn.MaxPool2d`和`torch.nn.AvgPool2d`来实现。这两个函数的用法类似，只是池化方式不同。

以`MaxPool2d`为例，其用法如下：

import torch.nn as nn

# 定义一个2层的CNN网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, kernel_size=5)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        return x

其中，`nn.MaxPool2d`的参数包括：

- `kernel_size`：池化核大小
- `stride`：步长，即每次池化的步长
- `padding`：填充大小，可选

池化操作一般放在卷积层后面，用于对特征图进行下采样。这里的`x`表示输入的特征图，经过卷积和池化后返回下采样后的特征图。