TensorFlow tf.nn.max_pool实现池化操作方式

max pooling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'

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：

1. import tensorflow as tf
2.  
3. a=tf.constant([
4. [[1.0,2.0,3.0,4.0],
5. [5.0,6.0,7.0,8.0],
6. [8.0,7.0,6.0,5.0],
7. [4.0,3.0,2.0,1.0]],
8. [[4.0,3.0,2.0,1.0],
9. [8.0,7.0,6.0,5.0],
10. [1.0,2.0,3.0,4.0],
11. [5.0,6.0,7.0,8.0]]
12. ])
13.  
14. a=tf.reshape(a,[1,4,4,2])
15.  
16. pooling=tf.nn.max_pool(a,[1,2,2,1],[1,1,1,1],padding='VALID')
17. with tf.Session() as sess:
18. print("image:")
19. image=sess.run(a)
20. print (image)
21. print("reslut:")
22. result=sess.run(pooling)
23. print (result)

这里步长为1，窗口大小2×2，输出结果：

1. image:
2. [[[[ 1. 2.]
3. [ 3. 4.]
4. [ 5. 6.]
5. [ 7. 8.]]
6.  
7. [[ 8. 7.]
8. [ 6. 5.]
9. [ 4. 3.]
10. [ 2. 1.]]
11.  
12. [[ 4. 3.]
13. [ 2. 1.]
14. [ 8. 7.]
15. [ 6. 5.]]
16.  
17. [[ 1. 2.]
18. [ 3. 4.]
19. [ 5. 6.]
20. [ 7. 8.]]]]
21. reslut:
22. [[[[ 8. 7.]
23. [ 6. 6.]
24. [ 7. 8.]]
25.  
26. [[ 8. 7.]
27. [ 8. 7.]
28. [ 8. 7.]]
29.  
30. [[ 4. 4.]
31. [ 8. 7.]
32. [ 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

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

最后的result就变成：

1. reslut:
2. [[[[ 8. 7.]
3. [ 7. 8.]]
4.  
5. [[ 4. 4.]
6. [ 8. 8.]]]]

以上这篇TensorFlow tf.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我们。