max pooling是CNN當中的最大值池化操作，其實用法和卷積很類似

有些地方可以從卷積去參考【TensorFlow】 tf.nn.conv2d實現卷積的方式

tf.nn.max_pool(value,ksize,strides,padding,name=None)

引數是四個，和卷積很類似：

第一個引數value：需要池化的輸入，一般池化層接在卷積層後面，所以輸入通常是feature map，依然是[batch,height,width,channels]這樣的shape

第二個引數ksize：池化視窗的大小，取一個四維向量，一般是[1,1]，因為我們不想在batch和channels上做池化，所以這兩個維度設為了1

第三個引數strides：和卷積類似，視窗在每一個維度上滑動的步長，一般也是[1,stride,1]

第四個引數padding：和卷積類似，可以取'VALID' 或者'SAME'

返回一個Tensor，型別不變，shape仍然是[batch,channels]這種形式

示例原始碼：

假設有這樣一張圖，雙通道

第一個通道：

第二個通道：

用程式去做最大值池化：

import tensorflow as tf
 
a=tf.constant([
  [[1.0,2.0,3.0,4.0],[5.0,6.0,7.0,8.0],[8.0,5.0],[4.0,1.0]],[[4.0,1.0],[1.0,8.0]]
 ])
 
a=tf.reshape(a,[1,4,2])
 
pooling=tf.nn.max_pool(a,2,1],1,padding='VALID')
with tf.Session() as sess:
 print("image:")
 image=sess.run(a)
 print (image)
 print("reslut:")
 result=sess.run(pooling)
 print (result)

這裡步長為1，視窗大小2×2，輸出結果：

image:
[[[[ 1. 2.]
 [ 3. 4.]
 [ 5. 6.]
 [ 7. 8.]]
 
 [[ 8. 7.]
 [ 6. 5.]
 [ 4. 3.]
 [ 2. 1.]]
 
 [[ 4. 3.]
 [ 2. 1.]
 [ 8. 7.]
 [ 6. 5.]]
 
 [[ 1. 2.]
 [ 3. 4.]
 [ 5. 6.]
 [ 7. 8.]]]]
reslut:
[[[[ 8. 7.]
 [ 6. 6.]
 [ 7. 8.]]
 
 [[ 8. 7.]
 [ 8. 7.]
 [ 8. 7.]]
 
 [[ 4. 4.]
 [ 8. 7.]
 [ 8. 8.]]]]

池化後的圖就是：

證明了程式的結果是正確的。

我們還可以改變步長

pooling=tf.nn.max_pool(a,padding='VALID')

最後的result就變成：

reslut:
[[[[ 8. 7.]
 [ 7. 8.]]
 
 [[ 4. 4.]
 [ 8. 8.]]]]

以上這篇TensorFlow tf.nn.max_pool實現池化操作方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。