TensorFlow 池化操作

原文链接: TensorFlow 池化操作

上一篇: TensorFlow 卷积操作模拟sobel算子提取图像轮廓

下一篇: cifar 数据集下载使用

函数原型

def max_pool(value, ksize, strides, padding, data_format="NHWC", name=None):
def avg_pool(value, ksize, strides, padding, data_format="NHWC", name=None):

value：一般池化层接在卷积层后面，输入通常是feature map， 【batch， height， width，channels】

ksize： 池化窗口大小，四维向量，一般【1，height，width，1】，因为一般情况下不对batch和channel上做池化

strides：窗口在每一个维度上滑动的步长，一般【1，stride,stride，1】

padding:和卷积参数含义和计算类似，取值VALID和SAME

范湖一个Tensor，类型不变，shape依然是【batch，height，width，channels】形式

均值池化时补0的情况，计算和卷积一样

pooling2 = tf.nn.avg_pool(img, [1, 4, 4, 1], [1, 1, 1, 1], padding='SAME')

reslut2:
 [[[[10. 11.]
   [11. 12.]
   [12. 13.]
   [13. 14.]]

  [[14. 15.]
   [15. 16.]
   [16. 17.]
   [17. 18.]]

  [[18. 19.]
   [19. 20.]
   [20. 21.]
   [21. 22.]]

  [[22. 23.]
   [23. 24.]
   [24. 25.]
   [25. 26.]]]]

最大池化和均值池化的比较，均值不会计算padding补的0

import tensorflow as tf
import numpy as np

img = np.arange(0, 32, dtype=np.float32)
img = tf.reshape(img, [1, 4, 4, 2])

pooling = tf.nn.max_pool(img, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
pooling1 = tf.nn.max_pool(img, [1, 2, 2, 1], [1, 1, 1, 1], padding='VALID')
pooling2 = tf.nn.avg_pool(img, [1, 4, 4, 1], [1, 1, 1, 1], padding='SAME')
pooling3 = tf.nn.avg_pool(img, [1, 4, 4, 1], [1, 4, 4, 1], padding='SAME')
nt_hpool2_flat = tf.reshape(tf.transpose(img), [-1, 16])
pooling4 = tf.reduce_mean(nt_hpool2_flat, 1)  # 1对行求均值（1表示轴是列）   0 对列求均值

with tf.Session() as sess:
    print("image:")
    image = sess.run(img)
    print(image)
    result = sess.run(pooling)
    print("reslut:\n", result)
    result = sess.run(pooling1)
    print("reslut1:\n", result)
    result = sess.run(pooling2)
    print("reslut2:\n", result)
    result = sess.run(pooling3)
    print("reslut3:\n", result)
    flat, result = sess.run([nt_hpool2_flat, pooling4])
    print("reslut4:\n", result)
    print("flat:\n", flat)

image:
[[[[ 0.  1.]
   [ 2.  3.]
   [ 4.  5.]
   [ 6.  7.]]

  [[ 8.  9.]
   [10. 11.]
   [12. 13.]
   [14. 15.]]

  [[16. 17.]
   [18. 19.]
   [20. 21.]
   [22. 23.]]

  [[24. 25.]
   [26. 27.]
   [28. 29.]
   [30. 31.]]]]
reslut:
 [[[[10. 11.]
   [14. 15.]]

  [[26. 27.]
   [30. 31.]]]]
reslut1:
 [[[[10. 11.]
   [12. 13.]
   [14. 15.]]

  [[18. 19.]
   [20. 21.]
   [22. 23.]]

  [[26. 27.]
   [28. 29.]
   [30. 31.]]]]
reslut2:
 [[[[10. 11.]
   [11. 12.]
   [12. 13.]
   [13. 14.]]

  [[14. 15.]
   [15. 16.]
   [16. 17.]
   [17. 18.]]

  [[18. 19.]
   [19. 20.]
   [20. 21.]
   [21. 22.]]

  [[22. 23.]
   [23. 24.]
   [24. 25.]
   [25. 26.]]]]
reslut3:
 [[[[15. 16.]]]]
reslut4:
 [15. 16.]
flat:
 [[ 0.  8. 16. 24.  2. 10. 18. 26.  4. 12. 20. 28.  6. 14. 22. 30.]
 [ 1.  9. 17. 25.  3. 11. 19. 27.  5. 13. 21. 29.  7. 15. 23. 31.]]