MaxPooling1D和globalMaxPooling1D的区别

最新推荐文章于 2023-03-29 23:24:07 发布
最新推荐文章于 2023-03-29 23:24:07 发布
阅读量1.9k 收藏 5
点赞数
分类专栏： tensorflow2.x NLP 文章标签： 深度学习 cnn 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/sslfk/article/details/122341739
版权

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]。

是对步长维度的向量求最大值。故会产生维度压缩

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]。

是对每一次卷积的kernel内的向量求最大值，产生一个新的向量。而没有做额外多余的处理。
 

the  [[.7, -0.2, .1]   |池化大小是2，所以一次选两个字，首先对                
boy   [.8, -.3,  .2]   | 前两个向量求最大值，也就是the和boy。   | 步长是1，移动到
will  [.2, -.1,  .4]                                       | boy和will
live  [.4  -.4,  .8]]

池化层处理时并未增加新的变量和参数。

Keras学习笔记(四)：MaxPooling1D和GlobalMaxPooling1D的区别_林夕-CSDN博客_maxpooling1d

会发paper的学渣
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
PyG中global_max_pool()函数介绍
CSDN 精品推荐
02-02 1329
我们在图分类任务时，需要获取每张图的特征表示，但是每张图会存在多个节点，我们需要根据这些节点形成一个新的特征向量作为图的表示，这时就利用到了全局池化。表明第一个、第二个和第三个节点进行池化，第四个和第五个节点进行池化，最终我们形成了2个特征向量，表示每个簇进行池化后的结果。，他们两个作用是类似的，都是对于同一簇内的节点进行池化，对于全局池化相当于对一整张图进行池化，如果我们设置。会将多个子图拼接成为一个大图，这时如果对这张图进行池化，不能够分清哪个节点属于哪张图，所以可以使用。这个函数作用是一致的。
基于Keras中Conv1D和Conv2D的区别说明
09-16
主要介绍了基于Keras中Conv1D和Conv2D的区别说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Keras学习笔记(四)：MaxPooling1D和GlobalMaxPooling1D的区别
热门推荐
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=...
Keras: GlobalMaxPooling vs. MaxPooling
devil_son1234的博客
07-17 2005
Keras: GlobalMaxPooling vs. MaxPooling 1D最大池化（1D Max Pooling） 2D最大池化（2D Max Pooling） 3D最大池化（3D Max Pooling） 应用场景 概念迁移 参考文献 1D最大池化（1D Max Pooling） # MaxPooling1D keras.layers.MaxPooling1D(pool_size=2, strides=None, padding='valid', data_format='chan
深度学习--MaxPooling1D和GlobalMaxPooling1D的区别
糯米君的博客
03-24 1285
1.GlobalMaxPooling1D: 在steps维度对整个数据求最大值。 2.MaxPooling1D： 在steps维度求最大值。但是限制每一步的池化的大小。 实例： import numpy as np from keras.models import Sequential from keras.layers import Dense, LSTM, GlobalMaxPooling1D, MaxPooling1D D = np.random.rand(10, 6, 10) model = S
GlobalMaxPooling1D和MaxPooling1D的区别
boss的博客
07-08 542
MaxPooling1D和GlobalMaxPooling1D的区别
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...
fdtd1D_fdtd1D_
09-30
fdtd一维的仿真程序，matlab编写，参考使用
对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解
09-17
今天小编就为大家分享一篇对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Hydrus1D简明使用手册.pdf
09-16
这是一本非常详细讲解Hydrus1d软件使用手册，非常适合新手，文中作者一个一个步骤进行讲解，教你搭建模型，搭建模型
Keras Convolution1D与Convolution2D区别说明
09-16
主要介绍了Keras Convolution1D与Convolution2D区别说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
神经网络高阶技巧5--关于GolbalAveragePooling与GlobalMaxPooling
三年研究生能改变多少
05-10 2324
最大池化（Maxpooling1D）,平均池化（AveragePooling1D）是我们常见且常用的，它们的另一个版本就是加一个global了。 很简单： 截图来自：https://blog.csdn.net/JNingWei/article/details/80064451 下面以GlobalMaxPooling与传统maxpool对比为例： 参见： https://blog.csdn.net...
计算机视觉面试考点（10）池化
嘻嘻哈哈yjy的博客
04-22 2183
计算机视觉工程师在面试过程中主要考察三个内容：图像处理、机器学习、深度学习。然而，各类资料纷繁复杂，或是简单的知识点罗列，或是有着详细数学推导令人望而生畏的大部头。为了督促自己学习，也为了方便后人，决心将常考必会的知识点以通俗易懂的方式设立专栏进行讲解，努力做到长期更新。此专栏不求甚解，只追求应付一般面试。希望该专栏羽翼渐丰之日，可以为大家免去寻找资料的劳累。每篇介绍一个知识点，没有先后顺序。想了...
探究Transformer模型中不同的池化技术
最新发布
Chaos的博客
03-29 1802
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。
GlobalAveragePooling2D和GlobalMaxPooling2D
Fwuyi的博客
06-24 2921
GlobalAveragePooling2D降低维度。GlobalAveragePooling2D就是求四维数据（图片）的每个通道值c的平均，最后结果没有了宽（w）高（h）维度，只剩下batchsize与average两个维度。从形状上看：[B,H,W,C] → [B,C]。下面有1张图片,shape为[1,2,2,3]，经过GlobalAveragePooling2D得到shape[1,3]。.........
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 1512
　　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...
Caffe入门：global pooling (全局池化)
那年聪聪
10-19 7386
global pooling (全局池化)
深度学习（PyTorch）——flatten函数的用法及其与reshape函数的区别
qq_42233059的博客
09-02 1万+
深度学习（PyTorch）——flatten函数的用法及其与reshape函数的区别
请用python写一个基于TextCNN和LSTM的招聘简历自动筛选系统
02-06
下面是一个基于 TextCNN 和 LSTM 的招聘简历自动筛选系统的 Python 代码示例: ```python import numpy as np from tensorflow.keras.preprocessing.text import Tokenizer from tensorflow.keras.preprocessing.sequence import pad_sequences from tensorflow.keras.layers import Dense, Input, LSTM, Embedding, Dropout, Activation, Conv1D, GRU, CuDNNGRU, CuDNNLSTM, BatchNormalization from tensorflow.keras.layers import Bidirectional, GlobalMaxPool1D, MaxPooling1D, Add, Flatten from tensorflow.keras.layers import GlobalAveragePooling1D, GlobalMaxPooling1D, concatenate, SpatialDropout1D from tensorflow.keras.models import Model, load_model from tensorflow.keras import initializers, regularizers, constraints, optimizers, layers, callbacks from tensorflow.keras import backend as K from tensorflow.keras.engine import InputSpec, Layer from tensorflow.keras.optimizers import Adam # 读取数据 resumes = [] labels = [] with open("resumes.txt", "r") as f: for line in f: resumes.append(line.strip().split("\t")[0]) labels.append(int(line.strip().split("\t")[1])) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(resumes, labels, test_size=0.2, random_state=42) # 数据预处理 max_features = 20000 maxlen = 100 tokenizer = Tokenizer(num_words=max_features) tokenizer.fit_on_texts(X_train) X_train = tokenizer.texts_to_sequences(X_train) X_test = tokenizer.texts_to_sequences(X_test) x_train = pad_sequences(X_train, maxlen=maxlen) x_test = pad_sequences(X_test, maxlen=maxlen) # 构建模型 def build_model(): inp = Input(shape=(maxlen,)) x = Embedding(max_features, 128)(inp) x = SpatialDropout1D(0.2)(x) x = Bidirectional(CuDNNLSTM(64, return_sequences=True))(x) y = Bidirectional(CuDNNGRU(64, return_sequences=True))(x) avg_pool1 = GlobalAveragePooling1D()(y) max_pool1 = GlobalMaxPooling1D()(y) conc = concatenate([avg_

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

会发paper的学渣

您的鼓励和将是我前进的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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