Tensorflow之卷积神经网络池化层max_pool和avg_pool

1. max_pool和avg_pool接口参数

avg_pool(value, ksize, strides, padding, data_format=“NHWC”, name=None)
max_pool(value, ksize, strides, padding, data_format=“NHWC”, name=None)
1）value：当前神经网络层的节点矩阵。
2）ksize：过滤器的尺寸大小。
3）strides：移动的步长。
4）padding：添加补充方式。和卷积层类似，有两种方式，值分别为：‘SAME’和‘VALID’；SAME是Right和Bottom式填充为相邻值。

2. 示例

import os

import tensorflow as tf
import numpy as np

# 忽略不想提示警告错误的信息
# 1是提示，2是警告，3是错误
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
M = np.array([
        [[1],[-1],[0]],
        [[-1],[2],[1]],
        [[0],[2],[-2]]
    ])
M = np.asarray(M, dtype='float32')
M = M.reshape(1, 3, 3, 1)

pool_avg = tf.nn.avg_pool(M, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
pool_max = tf.nn.max_pool(M, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
with tf.Session() as sess:
    # 初始化
    tf.global_variables_initializer().run()
    # 输出池化层的值
    print("最大池化：\n",sess.run(pool_max))
    print("均值池化：\n",sess.run(pool_avg))    

结果：

3. 数学解析

神经网络节点输入层矩阵

填充相同值：

对于步长为[1,2,2,1]；需要对四块小矩阵进行均值或者最大值运算，得到池化结果。
四小块矩阵如下：

对这四块小矩阵的元素，计算均值或者最大值。得到：
1）均值

2）最大值