Keras学习笔记(四):MaxPooling1D和GlobalMaxPooling1D的区别
区别:
1.GlobalMaxPooling1D:
在steps维度(也就是第二维)对整个数据求最大值。
比如说输入数据维度是[10, 4, 10],那么进过全局池化后,输出数据的维度则变成[10, 10]。
2.MaxPooling1D:
也是在steps维度(也就是第二维)求最大值。但是限制每一步的池化的大小。 比如,输入数据维度是[10, 4, 10],池化层大小pooling_size=2,步长stride=1,那么经过MaxPooling(pooling_size=2, stride=1)后,输出数据维度是[10, 3, 10]。
实例:
只考虑一条样本,可以认为是SGD(随机梯度下降),假设这条样本三个字,词向量(eg.word2vec)如下所示,数据维度是 [1,4,3]。一般我们不会直接将数据送进池化层,此处假设更方便。
- MaxPooling1D:
假设我们通过一个MaxPooling1D(pool_size=2, strides=1)
的池化层,那么数据的变化过程如下所示。步长是1,池化层大小是2。
the [[.7, -0.2, .1] |池化大小是2,所以一次选两个字,首先对
boy [.8, -.3, .2] | 前两个向量求最大值,也就是the和boy。 | 步长是1,移动到
will [.2, -.1, .4] | boy和will
live [.4 -.4, .8]]
最后返回的维度是 [1,3,3]。
- GlobalMaxPooling1D:
全局最大,返回的是一个二维张量,维度是 [1,3],也就是 live对应的词向量。
GlobalMaxPooling1D的前后维度变化可以简单总结为:
- 输入维度: 3维张量
(batch_size, steps, features)
- 输出维度: 2维张量
(batch_size, features)
模型比较:
可以用以下代码构造模型,比较两个不同的池化层前后数据维度的变化情况。
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM, GlobalMaxPooling1DD = np.random.rand(10, 6, 10)model = Sequential()
model.add(LSTM(16, input_shape=(6, 10), return_sequences=True))
model.add(MaxPooling1D(pool_size=2, strides=1))
model.add(LSTM(10))
model.add(Dense(1))
model.compile(loss='binary_crossentropy', optimizer='sgd')# print the summary to see how the dimension change after the layers are
# appliedprint(model.summary())# try a model with GlobalMaxPooling1D nowmodel = Sequential()
model.add(LSTM(16, input_shape=(6, 10), return_sequences=True))
model.add(GlobalMaxPooling1D())
model.add(Dense(1))
model.compile(loss='binary_crossentropy', optimizer='sgd')print(model.summary())
Keras学习笔记(四):MaxPooling1D和GlobalMaxPooling1D的区别相关推荐
- 官网实例详解4.37(pretrained_word_embeddings.py)-keras学习笔记四
预训练词嵌入(向量) 脚本加载预处理的词向量(GloVe embeddings)加载到冻结的Keras嵌入层中,并基于20 Newsgroup数据集使用它来训练文本分类模型. (把newsgroup消 ...
- 官网实例详解-目录和实例简介-keras学习笔记四
https://github.com/keras-team/keras/tree/master/examples Keras examples directory Keras实例目录 (点击跳转) 官 ...
- Keras学习笔记:序列式模型
目录: 目录: 快速开始序列(Sequential)模型 指定输入数据的shape 编译 训练 例子 用于序列分类的栈式LSTM 采用stateful LSTM的相同模型 本系列参考官方文档官方文档 ...
- C#可扩展编程之MEF学习笔记(四):见证奇迹的时刻
前面三篇讲了MEF的基础和基本到导入导出方法,下面就是见证MEF真正魅力所在的时刻.如果没有看过前面的文章,请到我的博客首页查看. 前面我们都是在一个项目中写了一个类来测试的,但实际开发中,我们往往要 ...
- IOS学习笔记(四)之UITextField和UITextView控件学习
IOS学习笔记(四)之UITextField和UITextView控件学习(博客地址:http://blog.csdn.net/developer_jiangqq) Author:hmjiangqq ...
- RabbitMQ学习笔记四:RabbitMQ命令(附疑难问题解决)
RabbitMQ学习笔记四:RabbitMQ命令(附疑难问题解决) 参考文章: (1)RabbitMQ学习笔记四:RabbitMQ命令(附疑难问题解决) (2)https://www.cnblogs. ...
- JSP学习笔记(四十九):抛弃POI,使用iText生成Word文档
POI操作excel的确很优秀,操作word的功能却不敢令人恭维.我们可以利用iText生成rtf文档,扩展名使用doc即可. 使用iText生成rtf,除了iText的包外,还需要额外的一个支持rt ...
- Keras学习笔记---保存model文件和载入model文件
Keras学习笔记---保存model文件和载入model文件 保存keras的model文件和载入keras文件的方法有很多.现在分别列出,以便后面查询. keras中的模型主要包括model和we ...
- Ethernet/IP 学习笔记四
Ethernet/IP 学习笔记四 EtherNet/IP Quick Start for Vendors Handbook (PUB213R0): https://www.odva.org/Port ...
最新文章
- debounce实现 js_javascript防抖函数debounce详解
- 在JBOSS中开发SESSIONBEAN和MSGBEAN
- 【❗JS奇技淫巧❗】JavaScript:截取DataURL中的base64字符串
- centos7 DNS服务器搭建
- csvn(apache+svn)管理工具搭建
- C语言 va_end 宏 - C语言零基础入门教程
- phpstudy 启动mysql服务问题
- spring随笔(二) AOP
- 浅析如何掌握了解SQL Server的锁机制
- abap捕获当前功能键sy_abap 当前用户 sy
- Python: 用matplotlib.pyplot,绘制 cos 与 sin 函数图像
- intel网卡驱动 linux,适用于英特尔® 千兆位以太网网络连接的 Linux* 基础驱动程序...
- 心形函数的几种表达式
- 卫星定位领域相关基础知识汇总
- Gateway网关- 微服务(十四)
- 测试计划一般包括哪些方面?
- 2020牛客暑期多校训练营(第九场)	Groundhog and 2-Power Representation
- AttributeError: module ‘tensorflow_core._api.v2.config‘ has no attribute ‘run_functions_eagerly‘
- 从零到熟悉,带你掌握Python len() 函数的使用
- C++ ARX二次开发视图