深度学习笔记（小白笔记）

1. 池化的核心作用
   池化（Pooling）一般用在卷积网络里，有 4 个核心作用：
   （1）降维下采样：缩小特征图高、宽，减少参数量、加快计算
   （2）特征浓缩：把一块区域的关键特征保留下来
   （3）平移不变性：物体稍微偏移，不影响提取的特征
   （4）抑制过拟合：减少冗余信息
2. 三类常用的池化
   （1）最大池化 MaxPool：取区域最大值，保留边缘、纹理特征
   （2）平均池化 AvgPool：取区域平均值，保留整体、平滑特征
   （3）自适应池化 AdaptivePool：不管输入多大，强制输出指定尺寸

importtorchimporttorch.nnasnn# 1. 造一个模拟特征张量# shape: [batch=1, channel=1, height=4, width=4]x=torch.tensor([[[[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]]]],dtype=torch.float32)print("原始张量 shape:",x.shape)#torch.Size([1, 1, 4, 4])print("原始张量：")print(x)#tensor([[[[ 1., 2., 3., 4.],[ 5., 6., 7., 8.], [ 9., 10., 11., 12.],[13., 14., 15., 16.]]]])# 最大池化，2乘2窗口内的最大值max_pool=nn.MaxPool2d(kernel_size=2,stride=2)x_max=max_pool(x)print("shape:",x_max.shape)#torch.Size([1, 1, 2, 2])print(x_max)#tensor([[[[ 6., 8.],[14., 16.]]]])# 平均池化，2乘2窗口内的平均值avg_pool=nn.AvgPool2d(kernel_size=2,stride=2)x_avg=avg_pool(x)print("shape:",x_avg.shape)#torch.Size([1, 1, 2, 2])print(x_avg)#tensor([[[[ 3.5000, 5.5000],[11.5000, 13.5000]]]])# 自适应平均池化 输出固定 1×1adap_avg_pool=nn.AdaptiveAvgPool2d(output_size=1)x_adap=adap_avg_pool(x)print("shape:",x_adap.shape)#torch.Size([1, 1, 1, 1])print(x_adap)#tensor([[[[8.5000]]]])

3. 全连接
   核心作用：维度变换、升维，把零散一维浮标点 “撑开” 成一张空白网格的大小

在进入全连接之前，我们手里拿到的往往是一串「一维离散点」：比如某个海域里只有 5 个浮标，每个浮标测到一个有效波高，拼起来就是一个长度为 5 的向量。而后续的卷积层需要的是「二维矩阵」形式的输入（高度 × 宽度），两者形状对不上，中间就必须靠全连接层来做一次「形状翻译」。

具体做法是：把长度为 N 的一维向量，通过一个Linear(N, H*W)的线性层，映射成 H×W 个数值，再reshape成 H×W 的二维矩阵。这样原本零散分布的浮标点，就被「撑开」铺满了一整张网格，每个网格点都对应一个由所有浮标共同决定的数值。

例子：输入只有少数几个浮标的有效波高，输出一张二维海浪空间分布图

importtorchimporttorch.nnasnn# 假设海域网格是 8×8，共 64 个格点H,W=8,8# 只有 5 个浮标，测得 5 个有效波高buoys=torch.randn(1,5)# shape: [batch=1, 浮标数=5]# 全连接升维：5 -> 64fc=nn.Linear(5,H*W)grid=fc(buoys)# shape: [1, 64]grid=grid.reshape(1,1,H,W)# shape: [1, 1, 8, 8]print(grid.shape)# torch.Size([1, 1, 8, 8])

优点：可以把任意长度一维离散点，变成二维矩阵，解决「浮标是离散点，不能直接进卷积」的难题。无论浮标是 3 个、5 个还是 20 个，只要调整Linear的输入维度，都能统一映射到同一张网格上，后续卷积层的接口就固定下来了。

缺点：没有空间局部感知，不会利用 “相邻海域海浪高度是渐变” 这个常识，单独用全连接重建出来的空间场效果很差。因为全连接层对每个输出格点都独立地连接了全部输入浮标，它并不知道「左上角」和「右下角」在空间上是远是近，也无法表达「离某个浮标越近、波高越接近该浮标读数」这种先验。结果就是重建出的空间场容易出现不自然的跳变和噪点，看起来不像真实的海浪分布。

也正因为如此，全连接在这里只承担「升维 + 变形」的过渡角色，真正负责把空间结构补回来的，是后面的卷积层。

4. 卷积层
   核心作用：提取空间局部特征，学习空间相邻关系，把粗糙画布打磨成合理的海浪场，学习海浪空间平滑、空间分布规律，修复空间纹理， 输出高质量二维网格化有效波高场