tf.nn.max_pool 理解

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

参数是四个，和卷积很类似：

参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是 feature map ，是[batch, height, width, channels] 这样的 shape
参数 ksize：池化窗口的大小，取一个四维向量，一般是 [1, height, width, 1]，因为我们不想在 batch和 channels 上做池化，所以这两个维度设为了1
参数 strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是 [1, stride,stride, 1]
参数 padding：和卷积类似，可以取 'VALID' 或者 'SAME'

返回一个 Tensor，类型不变，shape 仍然是 [batch, height, width, channels] 这种形式

示例：

假设有这样一张图，双通道：

通道1：

通道2：

可以想象把这两个通道叠在一起，数字 1 后跟的数字是 2，然后是 3 然后是 4…
这样的图片在数组中的表示就是：

[[[1.0,2.0,3.0,4.0],[5.0,6.0,7.0,8.0],[8.0,7.0,6.0,5.0],[4.0,3.0,2.0,1.0]],[[4.0,3.0,2.0,1.0],[8.0,7.0,6.0,5.0],[1.0,2.0,3.0,4.0],[5.0,6.0,7.0,8.0]]]

因为 max_pool 中输入的 value 是 4 维的，因此将这样一个 shape 为 2x2x4 的数组 reshape 为 1x4x4x2：

[[[[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.]]]]

经过 max_pool，池化大小为 2x2，步长为 1，方式是 Valid :

pooling = tf.nn.max_pool(a,[1,2,2,1],[1,1,1,1],padding='VALID')

得到池化结果：

[[[[8. 7.][6. 6.][7. 8.]][[8. 7.][8. 7.][8. 7.]][[4. 4.][8. 7.][8. 8.]]]]

因此池化后的图就是：

也可改变 max_pool 中的步长和池化方法：

pooling = tf.nn.max_pool(a,[1,2,2,1],[1,2,1,1],padding='SAME')

得出结果：

[[[[8. 7.][6. 6.][7. 8.][7. 8.]][[4. 4.][8. 7.][8. 8.][7. 8.]]]]

完整代码：

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

Referene:

https://blog.csdn.net/mao_xiao_feng/article/details/53453926

tf.nn.max_pool 理解相关推荐

tensorflow详解-tf.nn.conv2d()，tf.nn.max_pool()
tf.nn.conv2d() 函数来计算卷积,weights 作为滤波器,[1, 2, 2, 1] 作为 strides.TensorFlow 对每一个 input 维度使用一个单独的 stride ...
tf.nn.conv2d理解(带通道的卷积图片输出案例)
三篇参考: 1.https://blog.csdn.net/goodshot/article/details/79655915 TF-卷积函数 tf.nn.conv2d 介绍 2.https://bl ...
【TensorFlow】TensorFlow函数精讲之tf.nn.max_pool()和tf.nn.avg_pool()
tf.nn.max_pool()和tf.nn.avg_pool()是TensorFlow中实现最大池化和平均池化的函数,在卷积神经网络中比较核心的方法. 有些和卷积很相似,可以参考TensorFlow ...
TensorFlow基础篇（六）——tf.nn.max_pool()和tf.nn.avg_pool()
tf.nn.max_pool()和tf.nn.avg_pool()是TensorFlow中实现最大池化和平均池化的函数,在卷积神经网络中比较核心的方法. 有些和卷积很相似,可以参考TensorFlow ...
tf.nn 和tf.layers以及tf.contrib.layers的简单区别（转）
tensorflow不同层的使用(tf.nn 和tf.layers以及tf.contrib.layers)的简单区别(转) 2018年09月02日 18:50:33 holmes_MX 版权声明:原创 ...
tensorflow学习（一）——有关tensorflow不同层的使用（tf.nn 和tf.layers以及tf.contrib.layers）的简单区别
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/holmes_MX/article/de ...
tf.nn，tf.layers， tf.contrib模块介绍
一.tf.nn,tf.layers, tf.contrib概述我们在使用tensorflow时,会发现tf.nn,tf.layers, tf.contrib模块有很多功能是重复的,尤其是卷积操作,在 ...
深度学习原理与框架-CNN在文本分类的应用 1.tf.nn.embedding_lookup(根据索引数据从数据中取出数据) 2.saver.restore(加载sess参数)...
1. tf.nn.embedding_lookup(W, X) W的维度为[len(vocabulary_list), 128], X的维度为[?, 8],组合后的维度为[?, 8, 128] 代码说 ...
TensorFlow（七）tf.nn库
##tf.nn,tf.layers, tf.contrib模块有很多功能是重复的下面是对三个模块的简述: tf.nn :提供神经网络相关操作的支持,包括卷积操作(conv).池化操作(pooling ...

tf.nn.max_pool 理解

tf.nn.max_pool 理解相关推荐

最新文章

热门文章