最大池化有时候被称为下采样，pytorch 官网中 maxunpool，叫做上采样。
一、maxpool2d定义
以上是关于最大池化层在官网的定义：其中，参数解释如下：
kernel_size
：卷积核大小；如果输入 3 (int型)，就会生成一个 3*3 的池化核；
如果输入一个 (2, 3)（Tuple型），就会生成一个 2*3 的池化核；
stride
：卷积核步长，即横向纵向的步径大小；这里的默认值和卷积层（默认1）不一样，这里默认是 kernel_size；
padding
：卷积核填充；
dilation
：是空洞卷积，也就是卷积核上，是一个隔着一个的。
普通卷积
|
空洞卷积
|
ceil_mode
：当他是 True 的时候，使用 ceil 模式，而不是floor 模式；默认为 False。
ceil_mode 详解：对于上面的数值：2.31，ceil会向上取整变成 3，floor会向下取整变成 2。在最大池化上的操作会是这样：
这个图像输入是 5*5，池化核是 3*3，每次步长为3，那他在横向移动的时候就会出现上面的情况，就是卷积核跑出来了，这时是取这六个数的最大值还是放弃就要看 ceil_mode，如果是 True，采用 ceil 模式，表示向上取整，那么这六个数字会被保留取最大值，否则就是 floor模式，这六个数字会被舍弃。整个走完结果如下：
二、实例
import torch
from torch import nn
from torch.nn import MaxPool2d
input = torch.tensor([[1, 2, 0, 3, 1],
[0, 1, 2, 3, 1],
[1, 2, 1, 0, 0],
[5, 2, 3, 1, 1],
[2, 1, 0, 1, 1]], dtype=torch.float32)
# print(input.shape) # 输出： torch.Size([5, 5])
# 因为这里 batchsize 不符合输入要求，所以要 reshape
input = torch.reshape(input,(-1, 1, 5, 5)) # 这里填 -1 ,是模糊形状，让他自己找合适的 batch_size
# print(input.shape) # 输出：torch.Size([1, 1, 5, 5])
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.maxpool = MaxPool2d(kernel_size=3, ceil_mode=True)
pass
def forward(self, input):
output = self.maxpool(input)
return output
tudui = Tudui()
output = tudui(input)
print(output)
# 输出：
tensor([[[[2., 3.],
[5., 1.]]]])
这是ceil_mode 是 True的情况，False的话就会输出2
三、作用
从上面的结果来看，输出的图片减小了，那么网络的运算量就会减小，训练的更快，例如：看视频 1080p 就是原始图像， 720p 就是池化后的图像