pytorch池化层

### PyTorch 池化层使用方法

#### 最大池化操作示例
最大池化是一种常用的降采样技术，可以减少特征图的空间尺寸。在PyTorch中，`nn.MaxPool2d` 类用于执行二维的最大池化操作[^1]。

import torch
from torch import nn

# 创建一个形状为 (1, 1, 4, 4) 的张量作为输入数据
X = torch.tensor([[[
    [0., 1., 2., 3.],
    [4., 5., 6., 7.],
    [8., 9., 10., 11.],
    [12., 13., 14., 15.]
]]])

# 定义一个最大池化层，窗口大小为 2x2，默认步幅等于窗口大小
maxpool_layer = nn.MaxPool2d(kernel_size=2)

# 应用最大池化层到输入数据上
output = maxpool_layer(X)
print(output)

这段代码展示了如何创建一个简单的最大池化层，并应用它来处理给定的输入矩阵。输出将是经过最大池化后的结果，其空间维度会减半。

#### LPPool2d 层介绍
除了最大池化外，LPPool2d 是另一种类型的池化方式，在某些情况下可能更为适用。该类接受参数 `norm_type` 来指定范数类型以及其他的常规配置选项如 `kernel_size`, `stride` 和 `ceil_mode` 等[^2]。

lp_pool_layer = nn.LPPool2d(norm_type=2, kernel_size=(2, 2), stride=2)
output_lp = lp_pool_layer(X)
print(output_lp)

这里定义了一个基于 Lp 范数的池化层实例，并同样应用于之前的输入张量 `X` 上进行测试。

#### 自定义池化层设置
如同卷积层那样，池化层也支持自定义填充 (`padding`) 及调整滑动窗口之间的距离即步幅(`stride`). 这些特性允许灵活控制最终输出的尺寸和布局[^4].

custom_maxpool_layer = nn.MaxPool2d(kernel_size=2, padding=1, stride=1)
output_custom = custom_maxpool_layer(X)
print(output_custom.shape)

上述例子设置了额外的一圈零填充，并让每次只移动一步而不是默认情况下的两步，这将影响到最后得到的结果数组的形式。