theano实现k-max poling for CNNs

    各位大神都有自己实现自己的k-max Poling的方法，简单搜索了下用theano实现k-max poling的相关文章，但是确实比较少，也许是各种大神觉得这是个特别简单的问题，所以不屑于发布或者给予发布问题者回答此类问题，下面我给出我自己的实现代码，希望可以解决一部分人的问题：

def k_max_poling(x_conv_hidden, k， hid_dim, map_count):
    '''
         k-max poling for CNNs if the feature maps are columns argsort(axis = 0)[-k:, :] else argsort(axis = 1)[:, -k:] 
         @ x_conv_hidden: hidden map generated by convolution layer
         @ k: number for max values<pre name="code" class="python">         @ hid_dim: dimension of hidden units'''<pre name="code" class="python">    sorted_indices = x_conv_hidden.argsort(axis = 0)[-k:, :].sort(axis = 0)<pre name="code" class="python">    return T.concatenate([x_conv_hidden[:, i].reshape([hid_dim, ], ndim = 1)[sorted_indices[:, i]].reshape([k, 1], ndim = 2) for i in xrange(map_count)], axis = 1)

代码解释：

sorted_indices = x_conv_hidden.argsort(axis = 0)[-k:, :].sort(axis = 0)

  index操作：首先用 .argsort(axis = 0) 对每一列进行降序排列得到并获取排序后的feature map在源feature map中对应的位置；其次，[-k:, :] .sort(axis = 0)取出所有feature map的top k个数（顺序与各元素在源feature map中的相对位置一致）;

for i in xrange(map_count)

   对于每一个feature map 执行如下操作：

x_conv_hidden[:, i].reshape([hid_dim, ], ndim = 1)[sorted_indices[:, i]].reshape([k, 1], ndim = 2)

   将每个feature map扁平化成向量，并且取出对应的top k个数后，将其转化为原来的feature map格式（column）

return T.concatenate([], axis = 1)

   最后对所有feature maps重新组合，返回得到k-max poling结果。

就这么两行代码就解决问题，这个是对于feature map是vector的情况，至于对于feature map 是matrix的情况需要运行两次，将第一次运行得到的结果作为第二次 运行的输入，并且对于feature map是row的情况，将行列互换即可（可以根据自己的实际需要进行灵活转换）。