Ի՞նչ է պուլինգ շերտի նպատակը։

Նեյրոնային ցանցերի pooling շերտը օգտագործվում է մուտքային տվյալների չափը նվազեցնելու համար, ինչը օգնում է նվազեցնել հաշվարկային բեռը և մոդելի պարամետրերի քանակը։ Այն նաև նպաստում է ամենակարևոր հատկանիշների առանձնացմանը, բարձրացնելով մոդելի դիմադրողականությունը մուտքային տվյալների շեղումների և ձևափոխությունների նկատմամբ։

Ամենատարածված pooling տեսակները՝

• Max pooling — ընտրում է տարածքի առավելագույն արժեքը։
• Average pooling — հաշվարկում է միջին արժեքը։

Օրինակ՝ max pooling՝ 2x2 պատուհանի չափով և 2 քայլով՝

import torch
import torch.nn as nn

input_tensor = torch.tensor([[[[1, 2, 3, 4],
                               [5, 6, 7, 8],
                               [9, 10, 11, 12],
                               [13, 14, 15, 16]]]], dtype=torch.float32)

pool = nn.MaxPool2d(kernel_size=2, stride=2)
output = pool(input_tensor)
print(output)

Արդյունքը կպարունակի ամենամեծ արժեքները յուրաքանչյուր 2x2 բլոկից, նվազեցնելով չափը 4x4-ից 2x2։