MaxPooling1D和globalMaxPooling1D的区别

最新推荐文章于 2024-04-26 00:11:24 发布
最新推荐文章于 2024-04-26 00:11:24 发布
阅读量2k 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 1411
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。
对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解
09-17
在TensorFlow中，`tf.nn.conv1d`和`layers.conv1d`都是用于执行一维卷积操作的函数，但它们在实现细节和使用上存在一些差异。这篇文章将深入探讨这两个函数的区别，并帮助理解它们在构建一维卷积神经网络（1D CNN）...
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=...
各大池化Pooling操作，以及python实践，学习笔记
最新发布
weixin_41106546的博客
04-26 970
以上就是对于池化的简单了解。首先介绍了一下池化的基本知识，主要介绍的是最大池化和平均池化。然后通过代码的方式分别记录了使用自适应池化和非自适应池化的区别。池化作为深度学习中常用的一种方法，具有对于模型的优化具有重要意义。事实上，池化的种类是非常多的，但是在Pytorch中并未提供所有的方法。一方面我们可以根据Pytorch中已有的池化方法，调整其中的参数来实现我们想要的池化方法；另一方面，我们也应该学会在已有方案都无法实行的情况下，能够自己方法原理设计池化层。
深度学习--MaxPooling1D和GlobalMaxPooling1D的区别
糯米君的博客
03-24 1299
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
MaxPooling1D和GlobalMaxPooling1D的区别
zztSky
12-21 1727
import tensorflow as tf from tensorflow import keras input_shape = (2, 3, 4) x = tf.random.normal(input_shape) print(x) y=keras.layers.GlobalMaxPool1D()(x) print("*"*20) print(y) ''' """Global average pooling operation for temporal data. Examples:
GlobalMaxPooling1D和MaxPooling1D的区别
boss的博客
07-08 555
MaxPooling1D和GlobalMaxPooling1D的区别
基于Keras中Conv1D和Conv2D的区别说明
09-16
- 尽管`Conv1D`和`Conv2D`在实现上有细微差别，如在`_Conv`基类中对输入和滤波器的处理方式，但它们最终都会调用后端的卷积函数（如TensorFlow的`tf.nn.convolution`）。因此，从计算的角度来看，当`Conv2D`的输入...
fdtd1D_fdtd1D_
09-30
1. **初始化网格**：设置时间和空间步长，创建1D空间网格，并分配初始电场（E）和磁场（H）的值。 2. **边界条件**：定义理想的边界条件，如完美匹配层（Perfectly Matched Layers, PML）来模拟开放空间，或者使用...
Hydrus1D简明使用手册.pdf
09-16
4. Windows界面：Hydrus-1D的界面设计友好，用户将学习如何导航和操作这个界面来执行各种任务。 5. 设计模型：这部分介绍了如何根据实际问题设定模型的基本框架，如地理位置、时间范围等。 6. 创建模型：详细步骤...
pytorch中nn.Conv1d的用法详解
09-18
首先，`layer1`包含了`nn.Conv1d`、`nn.BatchNorm1d`（批量归一化）、`nn.ReLU`（激活函数）和`nn.MaxPool1d`（最大池化）。 - `nn.Conv1d(1, 100, 2)`：这里的1是输入通道，100是输出通道（卷积核数量），2是卷积...
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...
keras 中的keras.preprocessing、Embedding、GlobalMaxPooling1D()、 TimeDistributed
Chrsitina_S的博客
07-29 693
本文以短问答为背景，串联几个keras下常用的函数 0：keras.preprocessing 该模块是对数据的预处理模块 https://blog.csdn.net/winter_python/article/details/108615737 由于keras只能接受相等长度的序列，因此在将数据输入之前，要将所有的句子缩放成等长 input_length=10 keras.preprocessing.sequence.pad_sequences(sentence, maxlen=input_length,
tf.keras.layers.GlobalMaxPool1D()
sslfk的博客
12-23 996
与tf.keras.layers.Conv1D的输入一样，输入一个三维数据(batch_size,feature_size,output_dimension) x = tf.constant([[1., 2., 3.], [4., 5., 6.]]) ​​​​​​​x = tf.reshape(x, [2, 3, 1]) max_pool_1d=tf.keras.layers.GlobalMaxPooling1D() max_pool_1d(x) 其中max_pool_1d(x)和tf.math
Keras: GlobalMaxPooling vs. MaxPooling
devil_son1234的博客
07-17 2053
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
池化 MaxPooling AveragePooling MeanPooling GlobalMaxPooling GlobalAveragePooling 区别
心之所向
03-11 1万+
MaxPooling AveragePooling 目的： 1、整合特征 2、减少参数 2、平移不变性 如上图使用的max pooling，当底层特征向右偏移一位时，由于max pooling 只关注较大值，可以看到上层特征变化不大。 上图中三个detector分别探测不同偏移方向的数字5，当探测到对应偏移的数字5时，相应的detector就会激活。而在detector上层的p...
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 1528
　　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 1889
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。
2021-08-08
weixin_45060759的博客
08-08 235
无 仅供自己记录 tensorflow之神经网络层：MaxPooling1D、max_pooling1d、MaxPooling2D、max_pooling2d 1.tf.layers.MaxPooling1D Class MaxPooling1D：1D输入的最大池化层 参数： pool_size:一个整数或者一个单个整数的tuple/list,表示池化窗口的大小 strides:一个整数或者一个单个整数的tuple/list,指定池化操作的移动步幅 padding:一个字符串。padding的方法：”val
请用python写一个基于TextCNN和LSTM的招聘简历自动筛选系统
02-06
from tensorflow.keras.layers import Bidirectional, GlobalMaxPool1D, MaxPooling1D, Add, Flatten from tensorflow.keras.layers import GlobalAveragePooling1D, GlobalMaxPooling1D, concatenate, Spatial...

“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