TensorFlow tf.nn.max_pool實現池化操作方式
阿新 • • 發佈:2020-01-09
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。