tensorflow max_pool(最大池化)应用

Posted debuggor

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了tensorflow max_pool(最大池化)应用相关的知识,希望对你有一定的参考价值。

1、最大池化

max pooling是CNN当中的最大值池化操作,其实用法和卷积很类似。

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

参数是四个,和卷积很类似:

第一个参数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,依然是[batch, height, width, channels]这样的shape

第二个参数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

第三个参数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]

第四个参数padding:和卷积类似,可以取‘VALID‘ 或者‘SAME‘

  VALID:边缘不用0填充

  SAME:边缘用0填充

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

 

2、实现

示例源码:

假设有这样一张图,双通道

第一个通道:

技术分享

第二个通道:

技术分享

用程序去做最大值池化:

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

输出结果:

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.]]]]

 

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, 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, 1, 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)

输出结果:

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.]
[ 7. 8.]]

[[ 8. 7.]
[ 8. 7.]
[ 8. 7.]
[ 6. 5.]]

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

[[ 3. 4.]
[ 5. 6.]
[ 7. 8.]
[ 7. 8.]]]]

 

平均池化avg_pool 用法与max_pool一致




























以上是关于tensorflow max_pool(最大池化)应用的主要内容,如果未能解决你的问题,请参考以下文章

tensorflow中的池化函数解析

卷积神经网络

TensorFlow 池化层

CNN之池化层tf.nn.max_pool|tf.nn.avg_pool|tf.reduce_mean

Tensorflow2 tf.nn.maxpool2d()进行池化运算及其可视化

tf.nn的conv2d卷积与max_pool池化