GlobalMaxPooling1D和MaxPooling1D的区别

本文链接：https://blog.csdn.net/qq_42004289/article/details/125675192

本文探讨了两种池化技术在神经网络中的应用，GlobalMaxPooling1D和MaxPooling1D，特别关注于它们在处理文本序列数据时的区别。通过实例展示了如何在Keras中使用这两种方法，从嵌入层到全局池化，揭示了在自然语言处理任务中的作用和效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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=2，步长stride=1，那么经过MaxPooling(pooling_size=2, stride=1)后，输出数据维度是[10, 3, 10]。

k_input = keras.Input(shape=(config.max_seq_length,))
    print(k_input.shape)
    embedding = Embedding(config.vocab_size, config.embedding_dim, input_length=config.max_seq_length)
    embedding_input = embedding(k_input)
    # 加入一维卷积,conv shape为(None, 48（50-3+1）, 128（卷积核数）)
    conv_1 = Conv1D(config.num_filters, config.kernel_size)(embedding_input)
    # 加入一维池化，在第二个维度上向下滑pool_1(None, 46（48-3+1）, 128)
    # pool_1 = MaxPooling1D(3, 1)(conv_1)
    # # 再加入一维卷积，conv_2（None, 44(46-3+1), 64）
    # conv_2 = Conv1D(64, config.kernel_size)(pool_1)
    # 再加入一维池化，pool_2（None, 42（44-3+1）, 64）
    # pool_2 = MaxPooling1D(3, 1)(conv_2)
    # 最后全局池化，按照第二个维度取最大值，所以第二个维度就消失了pool_3（None, 64）
    pool_3 = GlobalMaxPooling1D()(conv_1)
    print(pool_3.shape)
    print(222222)
    print(embedding_input.shape)
    # global_embedding_input = GlobalAveragePooling1D()(embedding_input)
    hidden1_layer_tensor = Dense(64, activation='relu')(pool_3)
    output_layer_tensor = Dense(config.num_classes, activation="softmax")(hidden1_layer_tensor)
    model = keras.Model(inputs=k_input, outputs=output_layer_tensor)
    model.compile(
                    loss='categorical_crossentropy',
                    optimizer='adam',
                    metrics=["accuracy"]
                  )