卷积层
局部连接层

机器学习原理

池化层通过对数据进行分区采样，把一个大的矩阵降采样成一个小的矩阵，减少计算量，同时可以防止过拟合。

通常有最大池化层，平均池化层。最大池化层对每一个小区域选最最大值作为池化结果，平均池化层选取平均值作为池化结果。

MaxPooling1D层 {#maxpooling1d}

对时域1D信号进行最大值池化

MaxPooling2D层 {#maxpooling2d}

为空域信号施加最大值池化

MaxPooling3D层 {#maxpooling3d}

为3D信号（空域或时空域）施加最大值池化

本层目前只能在使用Theano为后端时可用

AveragePooling1D层 {#averagepooling1d}

对时域1D信号进行平均值池化

AveragePooling2D层 {#averagepooling2d}

为空域信号施加平均值池化

AveragePooling3D层 {#averagepooling3d}

为3D信号（空域或时空域）施加平均值池化

本层目前只能在使用Theano为后端时可用

GlobalMaxPooling1D层 {#globalmaxpooling1d}

对于时间信号的全局最大池化

GlobalAveragePooling1D层 {#globalaveragepooling1d}

为时域信号施加全局平均值池化

GlobalMaxPooling2D层 {#globalmaxpooling2d}

为空域信号施加全局最大值池化

GlobalAveragePooling2D层 {#globalaveragepooling2d}

为空域信号施加全局平均值池化

Tensorflow中的最大池化层

max pooling是CNN当中的最大值池化操作。

tf.nn.max_pool(value, ksize, strides, padding, name=None) {#tfnnmaxpoolvalue-ksize-strides-padding-namenone-}

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：

1 3 5 7

8 6 4 2

4 2 8 6

1 3 5 7

第二个通道：

2 4 6 8

7 5 3 1

3 1 7 5

2 4 6 8

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)

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：

8 7 6

8 8 8

4 8 8

和

7 6 8

7 7 7

4 7 8

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')

输出

8 7

4 8

和

7 8

4 8

书籍推荐