提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
pytorch之常用语法
- 一、时序容器
- 二、池化
- max-pooling（平均池化）
- max-pooling（最大池化）
一、时序容器
class torch.nn.Sequential(* args)
一个时序容器。Modules 会以他们传入的顺序被添加到容器中。当然，也可以传入一个OrderedDict。
容器通常用来创建神经网络一个新的网络层，该网络层里卷积，归一化，激活函数等等都可以自行定义多少个，以什么样的顺序添加进去，就会以什么样的顺序去运行该层。
给写重复代码带来极大的方便，同时使得整个网络层代码变得极为简洁，使代码变得灵活多变。
二、池化
池化使用较多的有两种，平均池化和最大池化。其作用大致如下：
1.减少每层的输出大小
2.降低过拟合
3.减少参数的数量
4.简化整个模型的复杂度
5.提取数据中主要特征
max-pooling（平均池化）
前向传播中，平均池化就是将池化窗口大小里所有元素相加，然后求出平均值，该平均值作为新特征图中的新元素。具体操作如上图所示。偏向于获取的一般是全局特征。反向传播如下。
class torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)
对信号的输入通道，提供2维的平均池化
如果padding不是0，会在输入的每一边添加相应数目0
参数：
kernel_size(int or tuple) - 池化窗口大小
stride(int or tuple, optional) - max pooling的窗口移动的步长。默认值是kernel_size
padding(int or tuple, optional) - 输入的每一条边补充0的层数
dilation(int or tuple, optional) – 一个控制窗口中元素步幅的参数
ceil_mode - 如果等于True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作
count_include_pad - 如果等于True，计算平均池化时，将包括padding填充的0
shape：
input: (N,C,H_in,W_in)
output: (N,C,H_out,Wout)
max-pooling（最大池化）
前向传播中，新特征图生成是只取池化窗口中元素最大值，这样池化最终获取答偏向于特征图的主要特征。
class torch.nn.FractionalMaxPool2d(kernel_size, output_size=None, output_ratio=None, return_indices=False, _random_samples=None)
对输入的信号，提供2维的分数最大化池化操作
参数：
kernel_size(int or tuple) - 最大池化操作时的窗口大小。可以是一个数字（表示KK的窗口），也可以是一个元组（khkw）
output_size - 输出图像的尺寸。可以使用一个tuple指定(oH,oW)，也可以使用一个数字oH指定一个oH*oH的输出。
output_ratio – 将输入图像的大小的百分比指定为输出图片的大小，使用一个范围在(0,1)之间的数字指定
return_indices - 默认值False，如果设置为True，会返回输出的索引，索引对 nn.MaxUnpool2d有用。
