TensorFlow池化操作

卷积操作之后往往执行池化操作，进一步压缩数据

池化

池化函数将平面内某一位置及其相邻位置的特征值进行统计汇总，并将汇总后的结果作为这一位置在该平面内的值。常见的池化操作有最大池化、平均池化。

TensorFlow中池化函数

tf.nn.max_pool
最大池化

tf.nn.max_pool(
    input, ksize, strides, padding, data_format=None, name=None
)

参数	讲解
input	秩N + 2张量，形状的[batch_size] + input_spatial_shape + [num_channels]如果data_format不与“NC”（缺省），或启动[batch_size, num_channels] + input_spatial_shape如果与“NC” DATA_FORMAT启动。池发生过仅在空间维度。
ksize	int或列表ints ，其具有长度1 ， N或N+2 。窗口用于输入张量的每个维度的尺寸。
strides	int或列表ints ，其具有长度1 ， N或N+2 。用于将输入张量的每个维度的滑动窗口的步幅。
padding	一个字符串，无论是’VALID’或’SAME’ 。填充算法。见的“收益”部分tf.nn.convolution了解详情。
data_format	指定通道尺寸。对于N = 1它可以是 “NWC”（默认）或 “NCW”，对于N = 2它可以是 “NHWC”（默认）或 “NCHW” 和对于N = 3任一 “NDHWC”（默认值）或“NCDHW”。
name	一种操作（可选）的名称。

操作实例

import numpy as np
import tensorflow as tf

x_in = np.array([[
  [[2], [1], [2], [0], [1]],
  [[1], [3], [2], [2], [3]],
  [[1], [1], [3], [3], [0]],
  [[2], [2], [0], [1], [1]],
  [[0], [0], [3], [1], [2]], ]])
kernel_in = np.array([
 [ [[2, 0.1]], [[3, 0.2]] ],
 [ [[0, 0.3]],[[1, 0.4]] ], ])
x = tf.constant(x_in, dtype=tf.float32)
kernel = tf.constant(kernel_in, dtype=tf.float32)
conv = tf.nn.conv2d(x, kernel, strides=[1, 1, 1, 1], padding='VALID')

#max_pool()函数实现了最大池化层的前向传播过程
#参数value为输入数据，strides为提供了步长信息，padding提供了是否使用全0填充。
pool = tf.nn.max_pool(conv, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")

init_op=tf.global_variables_initializer()
with tf.Session() as sess:
    init_op.run()
#     print(conv)
#     print(sess.run(conv))
    print(sess.run(pool))

#结果输出 
'''
[[[[15.   2.2]
   [13.   2.7]]

  [[11.   1.7]
   [16.   1.5]]]]
''' 

其他池化函数

tf.nn.max_pool1d(
    input, ksize, strides, padding, data_format='NWC', name=None
)

tf.nn.max_pool2d(
    input, ksize, strides, padding, data_format='NHWC', name=None
)

tf.nn.max_pool3d(
    input, ksize, strides, padding, data_format='NDHWC', name=None
)
 
tf.nn.max_pool_with_argmax(
    input, ksize, strides, padding, data_format='NHWC',
    output_dtype=tf.dtypes.int64, include_batch_in_index=False, name=None
)
 
tf.nn.avg_pool(
    input, ksize, strides, padding, data_format=None, name=None
)
 
tf.nn.avg_pool1d(
    input, ksize, strides, padding, data_format='NWC', name=None
)
 
tf.nn.avg_pool2d(
    input, ksize, strides, padding, data_format='NHWC', name=None
)
 
tf.nn.avg_pool3d(
    input, ksize, strides, padding, data_format='NDHWC', name=None
)