TensorFlow tf.nn.max_pool实现池化操作方式
maxpooling是CNN当中的最大值池化操作，其实用法和卷积很类似
有些地方可以从卷积去参考【TensorFlow】tf.nn.conv2d实现卷积的方式
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featuremap，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'
返回一个Tensor，类型不变，shape仍然是[batch,height,width,channels]这种形式
示例源码：
假设有这样一张图，双通道
第一个通道：
第二个通道：
用程序去做最大值池化：
importtensorflowastf
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')
withtf.Session()assess:
print("image:")
image=sess.run(a)
print(image)
print("reslut:")
result=sess.run(pooling)
print(result)
这里步长为1，窗口大小2×2，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.]]]]
池化后的图就是：
证明了程序的结果是正确的。
我们还可以改变步长
pooling=tf.nn.max_pool(a,[1,2,2,1],[1,2,2,1],padding='VALID')
最后的result就变成：
reslut: [[[[8.7.] [7.8.]] [[4.4.] [8.8.]]]]
以上这篇TensorFlowtf.nn.max_pool实现池化操作方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。