神经网络基础-神经网络补充概念-62-池化层

概念

池化层（Pooling Layer）是深度学习神经网络中常用的一种层级结构，用于减小输入数据的空间尺寸，从而降低模型的计算复杂度，减少过拟合，并且在一定程度上提取输入数据的重要特征。池化层通常紧跟在卷积层之后，用于缩小卷积层输出的尺寸。

常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）：

最大池化（Max Pooling）： 在最大池化操作中，对于每个池化窗口，输出的值是窗口内元素的最大值。最大池化有助于保留输入数据中的显著特征，同时减少数据的空间维度。

平均池化（Average Pooling）： 在平均池化操作中，对于每个池化窗口，输出的值是窗口内元素的平均值。平均池化也有助于降低数据的维度，但相较于最大池化，可能会丢失一些局部细节。

代码实现

import tensorflow as tf

# 创建一个输入张量
input_data = tf.constant([[[[1], [2], [3], [4]],
                           [[5], [6], [7], [8]],
                           [[9], [10], [11], [12]],
                           [[13], [14], [15], [16]]]], dtype=tf.float32)

# 进行最大池化操作
max_pooling = tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2), padding='valid')
max_pooled_data = max_pooling(input_data)

# 进行平均池化操作
avg_pooling = tf.keras.layers.AveragePooling2D(pool_size=(2, 2), strides=(2, 2), padding='valid')
avg_pooled_data = avg_pooling(input_data)

print("原始数据：")
print(input_data.numpy())
print("最大池化后的数据：")
print(max_pooled_data.numpy())
print("平均池化后的数据：")
print(avg_pooled_data.numpy())