Keras: GlobalMaxPooling vs. MaxPooling

最新推荐文章于 2023-12-12 18:45:58 发布
最新推荐文章于 2023-12-12 18:45:58 发布
阅读量3.5k 收藏 14
点赞数 11
分类专栏： NN 文章标签： Keras Pooling 池化 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Tardigrade_/article/details/92799883
版权

Keras: GlobalMaxPooling vs. MaxPooling

这其实不是个复杂的问题，但是查的时候看到有人把翻译的文章标原创，还不写出处，十分不爽，就自己写了一篇。

1D最大池化（1D Max Pooling）

# MaxPooling1D
keras.layers.MaxPooling1D(pool_size=2, strides=None, padding='valid', data_format='channels_last')

# GlobalMaxPooling1D
keras.layers.GlobalMaxPooling1D(data_format='channels_last')

顾名思义，Max Pooling是指在池化的窗口中选择最大值。可以看到，GlobalMaxPooling1D 和 MaxPooling1D相比少了三个参数，其实这三个参数描述的是一件事情: 池化时的窗口大小。
MaxPooling1D和GlobalMaxPooling1D示例
如上图所示，在1x1x5的网络上进行MaxPooling1D时，如果选择窗口大小为2，则面临两个问题：
1. 滑动窗口的步长选多少？（一般默认为pool_size）
2. 如果在上图中步长选

最低0.47元/天 解锁文章
OXPHOS
关注
专栏目录
使用tf.keras.MaxPooling1D出现错误
IMWTJ123的博客
12-22 1739
错误如下： ValueError: Negative dimension size caused by subtracting 2 from 1 for 'pool_2/MaxPool' (op: 'MaxPool') with input shapes: [?,1,1,32]. 首先了解MaxPooling1D： tf.layers.max_pooling1d( inputs, pool_size, strides, padding='valid', dat
tf.keras.layers模块中的函数
weixin_43213895的博客
08-29 2931
from __future__ import print_function as _print_function import sys as _sys from . import experimental from tensorflow.python.keras.engine.base_layer import Layer from tensorflow.python.keras.engine.input_layer import Input from tensorflow.python.keras.e
tf.keras.layers.GlobalMaxPooling2D
一个学术five的blog
10-31 715
tf.keras.layers.GlobalMaxPooling2D
深度学习之全局池化（“global pooling”）、全局平局池化（“global avg pooling”）、全局最大池化（“global max pooling）
棉花糖的博客
03-03 1万+
参考：https://blog.csdn.net/JNingWei/article/details/80064451（全局池化） https://blog.csdn.net/williamyi96/article/details/77530995（Global Average Pooling对全连接层的可替代性分析） https://blog.c...
Global Average Pooling、Global Max Pooling
bbbeoy的专栏
09-26 550
https://www.zhihu.com/question/358913301 https://blog.csdn.net/qq_16234613/article/details/79520929 https://www.cnblogs.com/hutao722/p/10008581.html
畅游人工智能之海 | Keras教程篇之池化层
pandaww的博客
04-05 2万+
各位读者大家好，上周我们详细讲解了Keras的核心网络层，相信大家已经对核心网络层的作用以及使用方法有了一个清晰的认识。这周我们将要开展池化层和卷积层的讲解了，这篇文章就是对池化层的讲解。 首先我们要统一说一下池化层的作用。池化层放在连续的卷积层中间，用于压缩数据和参数的量，防止过拟合。其具体操作与卷积层的操作基本相同，只不过池化层的卷积核只取对应位置的最大值、平均值等（最大池化、平均池化），且...
def MEAN_Spot(opt): # channel 1 inputs1 = layers.Input(shape=(42,42,1)) conv1 = layers.Conv2D(3, (5,5), padding='same', activation='relu', kernel_regularizer=l2(0.001))(inputs1) bn1 = layers.BatchNormalization()(conv1) pool1 = layers.MaxPooling2D(pool_size=(3, 3), padding='same', strides=(3,3))(bn1) do1 = layers.Dropout(0.3)(pool1) # channel 2 inputs2 = layers.Input(shape=(42,42,1)) conv2 = layers.Conv2D(3, (5,5), padding='same', activation='relu', kernel_regularizer=l2(0.001))(inputs2) bn2 = layers.BatchNormalization()(conv2) pool2 = layers.MaxPooling2D(pool_size=(3, 3), padding='same', strides=(3,3))(bn2) do2 = layers.Dropout(0.3)(pool2) # channel 3 inputs3 = layers.Input(shape=(42,42,1)) conv3 = layers.Conv2D(8, (5,5), padding='same', activation='relu', kernel_regularizer=l2(0.001))(inputs3) bn3 = layers.BatchNormalization()(conv3) pool3 = layers.MaxPooling2D(pool_size=(3, 3), padding='same', strides=(3,3))(bn3) do3 = layers.Dropout(0.3)(pool3) # merge 1 merged = layers.Concatenate()([do1, do2, do3]) # interpretation 1 merged_conv = layers.Conv2D(8, (5,5), padding='same', activation='relu', kernel_regularizer=l2(0.1))(merged) merged_pool = layers.MaxPooling2D(pool_size=(2, 2), padding='same', strides=(2,2))(merged_conv) flat = layers.Flatten()(merged_pool) flat_do = layers.Dropout(0.2)(flat) # outputs outputs = layers.Dense(1, activation='linear', name='spot')(flat_do) #Takes input u, v, os model = keras.models.Model(inputs=[inputs1, inputs2, inputs3], outputs=[outputs]) model.compile( loss={'spot':'mse'}, optimizer=opt, metrics={'spot':tf.keras.metrics.MeanAbsoluteError()}, ) return model 更改模型加入CBAM模块
06-10
merged_pool = layers.MaxPooling2D(pool_size=(2, 2), padding='same', strides=(2,2))(merged_cbam) flat = layers.Flatten()(merged_pool) flat_do = layers.Dropout(0.2)(flat) # outputs outputs = ...
声纹识别开源框架python_GitHub - yeyupiaoling/VoiceprintRecognition-Tensorflow: 使用Tensorflow实现声纹识别，博客地址：...
weixin_39582708的博客
12-03 2288
前言本章介绍如何使用Tensorflow实现简单的声纹识别模型，首先你需要熟悉音频分类，没有了解的可以查看这篇文章《基于Tensorflow实现声音分类》。基于这个知识基础之上，我们训练一个声纹识别模型，通过这个模型我们可以识别说话的人是谁，可以应用在一些需要音频验证的项目。环境准备主要介绍libsora，PyAudio，pydub的安装，其他的依赖包根据需要自行安装。Python 3.7Tens...
【深度学习】global pooling (全局池化)
热门推荐
JNing
04-24 5万+
【深度学习】global pooling (全局池化)
详解Keras 2.0 API:Keras.layers.MaxPooling2D
lymake的博客
04-28 1963
通常情况下，翻倍采样，例如将图片的大小从28x28减小到14x14。如果指定为(1, 1)，则不会有下采样，输出的大小与输入相同。此示意图中，滑动块的最大值分别是[[7,5,6],[7,8,5],[4,5,7]]，分别对应着输出块的唯一值。如果设置为'same'，则在输入的边缘周围填充适当的数量，以便在进行池化操作时，输出大小与输入大小相同。它通常被用于在卷积层后进行下采样，以降低卷积层输出的维度并减少计算量。第二层MaxPooling2D的输出为：3*3 （32）沿输入的高度和宽度方向的步长大小。
详解Keras3.0 Layers API: Pooling layers （MaxPooling1D、MaxPooling2D、MaxPooling3D）
最新发布
lymake的博客
12-12 1462
【代码】详解Keras3.0 Layers API: Pooling layers （MaxPooling1D、MaxPooling2D、MaxPooling3D）
Keras学习笔记(四)：MaxPooling1D和GlobalMaxPooling1D的区别
林夕
01-13 4万+
区别： 1.GlobalMaxPooling1D: 在steps维度（也就是第二维）对整个数据求最大值。 比如说输入数据维度是[10, 4, 10]，那么进过全局池化后，输出数据的维度则变成[10, 10]。 2.MaxPooling1D： 也是在steps维度（也就是第二维）求最大值。但是限制每一步的池化的大小。 比如，输入数据维度是[10, 4, 10]，池化层大小pooling_size=...
k-max-pooling的keras实现
摆渡人生
06-19 1万+
个人博客地扯：http://xurui.club/2018/06/19/kmaxpooling/ pooling（池化）是卷积神经网络中常用操作，主要目的是减小张量大小，便于计算，可以认为是一步降维操作。前两天项目上需要用到k-max-pooling操作，项目代码是用keras写的，keras没有k-max-pooling层，所以要自己写。 卷积神经网络的最经典的模型是卷积+池化+全连接。 ...
目标检测算法-MSCNN（用于人群计数）
TJMtaotao的博客，高校计算机教师
04-20 5184
1：首先从模型结构整体理解 重要网络结构： MSB结构 网络架构应用于人群计数 2：从代码层面理解 2.1 MSB结构，就是四种...
深度学习基础系列（十）| Global Average Pooling是否可以替代全连接层？
weixin_33672400的博客
11-26 1566
　　Global Average Pooling(简称GAP，全局池化层)技术最早提出是在这篇论文（第3.2节）中，被认为是可以替代全连接层的一种新技术。在keras发布的经典模型中，可以看到不少模型甚至抛弃了全连接层，转而使用GAP，而在支持迁移学习方面，各个模型几乎都支持使用Global Average Pooling和Global Max Pooling(GMP)。然而，GAP是否真的可以...
探究Transformer模型中不同的池化技术
Chaos的博客
03-29 2087
Pooling是一种将输入序列映射成固定长度向量的技术。在自然语言处理中，输入序列往往是一个变长的文本，而神经网络需要一个固定长度的向量作为输入。因此，我们需要使用Pooling技术将输入序列进行压缩，得到一个固定长度的向量。常见的Pooling技术有MaxPooling、AveragePooling、GlobalMaxPooling、GlobalAveragePooling等。
池化的几种方法 学习笔记 (附代码)
PLANTTHESON的博客
10-10 8862
池化的几种方法 学习笔记 (附代码)
GlobalMaxPooling1D和MaxPooling1D的区别
boss的博客
07-08 620
MaxPooling1D和GlobalMaxPooling1D的区别
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值