Kam ir paredzēts pooling slānis?

Neironu tīklu pooling slānis tiek izmantots ievades datu dimensiju samazināšanai, kas palīdz samazināt aprēķinu slodzi un modeļa parametru skaitu. Tas arī veicina svarīgāko raksturlielumu izcelšanu, palielinot modeļa izturību pret novirzēm un izkropļojumiem ievades datos.

Visbiežāk sastopamie pooling veidi:

• Max pooling — izvēlas maksimālo vērtību no apgabala.
• Average pooling — aprēķina vidējo vērtību.

Max pooling piemērs ar 2x2 loga izmēru un soli 2:

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)

Rezultātā tiks iegūti maksimālie vērtības no katra 2x2 bloka, samazinot izmēru no 4x4 līdz 2x2.