nn.MaxPool2d和nn.AdaptiveMaxPool2d的区别

torch.nn.MaxPool2d和torch.nn.AdaptiveMaxPool2d都是PyTorch中的池化层，但是它们有一些不同之处。其中，nn.MaxPool2d是一个传统的池化层，它需要指定池化窗口的大小和步长，然后通过在输入上滑动池化窗口并在每个窗口上取最大值来执行池化操作。这意味着在使用nn.MaxPool2d时，输出的形状是固定的，由输入形状、池化窗口大小和步长共同决定。

而nn.AdaptiveMaxPool2d是自适应池化层，它只需要指定输出大小，而不是池化窗口大小。nn.AdaptiveMaxPool2d会自动计算池化窗口大小和步长，并在每个窗口上执行池化操作，以产生所需的输出大小。这意味着nn.AdaptiveMaxPool2d可以处理任意形状的输入，并生成任意形状的输出。

以下是一个使用nn.MaxPool2d的例子：

import torch.nn as nn

# 定义一个 3x3 的池化层窗口，步长为2
max_pool = nn.MaxPool2d(kernel_size=3, stride=2)

# 定义一个输入，大小为 [batch_size, channel, height, width]
input_tensor = torch.randn(1, 3, 10, 10)

# 对输入进行池化操作
output_tensor = max_pool(input_tensor)

# 打印输出的形状
print(output_tensor.shape)

输出为：torch.Size([1, 3, 4, 4])

以下是一个使用nn.AdaptiveMaxPool2d的例子：

import torch.nn as nn

# 定义一个输出大小为 [5, 5] 的自适应池化层
adaptive_max_pool = nn.AdaptiveMaxPool2d(output_size=(5, 5))

# 定义一个输入，大小为 [batch_size, channel, height, width]
input_tensor = torch.randn(1, 3, 10, 10)

# 对输入进行自适应池化操作
output_tensor = adaptive_max_pool(input_tensor)

# 打印输出的形状
print(output_tensor.shape)

输出为：torch.Size([1, 3, 5, 5])