nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d() 模块各自的用途

首先介绍一下我为啥会关注到这个问题，因为我在使用加了SE模块的Resnet的时候，程序出bug了，原来问题出在我使用了nn.AvgPool2d() ，而应该使用nn.AdaptiveAvgPool2d() 。

1. 问题

下边是我写的SEResnet模块的代码，然后我会贴出我程序报的错误：

class SEResNet(nn.Module):

    def __init__(self, block, layers, num_classes=1000):
        self.inplanes = 64
        super(SEResNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)
        self.avgpool = nn.AvgPool2d(7, stride=1)
        self.fc = nn.Linear(512 * block.expansion, num_classes)

        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
                m.weight.data.normal_(0, math.sqrt(2. / n))
            elif isinstance(m, nn.BatchNorm2d):
                m.weight.data.fill_(1)
                m.bias.data.zero_()

    def _make_layer(self, block, planes, blocks, stride=1):
        downsample = None
        if stride != 1 or self.inplanes != planes * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.inplanes, planes * block.expansion,
                          kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(planes * block.expansion),
            )

        layers = []
        layers.append(block(self.inplanes, planes, stride, downsample))
        self.inplanes = planes * block.expansion
        for i in range(1, blocks):
            layers.append(block(self.inplanes, planes))

        return nn.Sequential(*layers)

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)

        x = self.avgpool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)

        return x

以上是部分程序，运行完主程序后，报错如下：
RuntimeError: Given input size: (2048x1x1). Calculated output size: (2048x-5x-5). Output size is too small.
这个错误的意思可以理解为：给定的输入大小是2048x1x1，计算的输出大小是2048x-5x-5，输出都成负数了，太小了。也就是在1*1的图片上（也就是一个像素点）不可能使用7x7的kernel进行池化。

2. 解决方案

修改上述代码的第14行代码。将self.avgpool = nn.AvgPool2d(7, stride=1)改为self.avgpool = nn.AdaptiveAvgPool2d(1).
当然这样修改不是盲目的，我看了一下Resnet的源码，源码中也是这么写的self.avgpool = nn.AdaptiveAvgPool2d(1)，其实这一步骤可以理解为全局平均池化，那为什么使用77的平均池化会出bug呢，因为在进行平均池化操作之前，图片的大小坑你已经变成1x1的了，再使用大的kernel肯定是不行的，其实如果是用普通的Resnet在ImageNet数据集或者其他输入图片大小为224224的时候就不会出bug，因为在第4个layer之后，图片大小为7x7，使用7x7的kernel做池化刚刚好！

上图是借用的别人的哦！

上述为我的个人见解，有啥问题请各位大佬批评指正！