池化（最大池化层：选每个kernel中最大的数）
填充、步幅、多个通道：
池化层与卷积层类似，都具有填充和步幅。
没有可学习的参数。
在每个输入通道应用池化层以获得相应的输出通道。
输出通道数=输入通道数。
平均池化层（将最大池化层中的最大数替换为平均数）
总结：
池化层返回窗口中最大或平均值。
主要作用时缓解卷积层位置敏感性。
同样有窗口大小，填充，步幅作为超参数。
import torch
from torch import nn
def pool2d(X, pool_size, mode='max'):
X = X.float()
p_h, p_w = pool_size
Y = torch.zeros(X.shape[0] - p_h + 1, X.shape[1] - p_w + 1)
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
if mode == 'max':
Y[i, j] = X[i: i + p_h, j: j + p_w].max()
elif mode == 'avg':
Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
return Y
X = torch.tensor([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
print(pool2d(X, (2, 2)))
print(pool2d(X, (2, 2), 'avg'))
#填充和步幅
X = torch.arange(16, dtype=torch.float).view((1, 1, 4, 4))
print(X)
pool2d = nn.MaxPool2d(3)#只输出一个10，池化的窗口和步幅都是3，所以只输出一个值，不重叠
print(pool2d(X))
pool2d = nn.MaxPool2d(3, padding=1, stride=2)#手动调整
print(X)
print(pool2d(X))
#也可以指定非正方形的池化窗口，并分别指定高和宽上的填充和步幅。
pool2d = nn.MaxPool2d((2, 4), padding=(1, 2), stride=(2, 3))
print(pool2d(X))
#池化层对每个输入通道分别池化，而不是像卷积层那样将各通道的输入按通道相加。这意味着池化层的输出通道数与输入通道数相等。
X = torch.cat((X, X + 1), dim=1)
print(X)
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
print(pool2d(X))#输出还是2
