tensorflow 实现全局平均池化

最新推荐文章于 2024-09-04 22:23:52 发布

颐水风华

最新推荐文章于 2024-09-04 22:23:52 发布

阅读量4.5k

点赞数

分类专栏：深度零散知识点 tensorflow/keras一些用法

引用请注明出处，并免费提供别人参考。

本文链接：https://blog.csdn.net/weixin_39875161/article/details/108674314

版权

tensorflow/keras一些用法同时被 2 个专栏收录

36 篇文章 1 订阅

订阅专栏

深度零散知识点

29 篇文章 6 订阅

订阅专栏

有两种方法

一方法，这里用的tf.nn。可以用tf.layers代替。

 p05 = tf.nn.avg_pool2d(conv10,ksize=[1,conv10.get_shape().as_list()[1],conv10.get_shape().as_list()[1],1],strides=[1,1,1,1],padding=VALID',name='GAP')

二方法

 p05 = tf.reduce_mean(conv10, [1, 2], keep_dims=True, name='GAP')

我更喜欢第一种，在量化模型时候，第二种可能会报错。不去深究原因，只能说tf某些东西做的还不成熟，比如pruning模块里面。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

颐水风华

关注关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

全局平均池化/全局最大池化Pytorch实现：

NorthSmile的博客

09-02

1万+

全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。大大降低计算的参数量；没有需要学习的参数，可以更好的避免过拟合；更能体现输入的全局信息；拿一个简单的网络验证参数量下降（此处只计算权重）：因为池化操作是沿着通道方向对该通道的特征进行，故对于输入(N,C,H,W)，池化输出为(N,C)。

Pytorch实现全局平均池化（Global Average Pooling )

u014772432的博客

02-06

1万+

现在所有的博客上面，大部分并没有这个功能的实现，或者大部分没有使用pytorch去实现全局平均池化这个功能。所以这篇博客就是用pytorch来实现全局平均池化这个功能。首先全局平均池化的目的是提取每一张特征图的平均值。实现全局平均池化大部分用的是keras的库。先看代码。 import tensorflow as tf import torch a=torch.arange(0,24).view(2, 3, 2,2) a=a.float() a=a.numpy() print("This is

2 条评论您还未登录，请先登录后发表或查看评论

TensofFlow学习记录：全局均值池化

weixin_41137655的博客

06-29

5089

全局均值池化就是在平均池化层中使用同等大小的过滤器将其特征保存下来。这种结构用来代替深层网络结构最后的全连接输出层。这个方法也是《Network In Network》论文中所论述的。以下为《Network In Network》论文中关于全局均值池化的翻译，原文请点击这里传统卷积神经网络在网络的较低层执行卷积。对于分类任务，最后一个卷积层得到的特征图被向量化然后送入全连接层，接一个softm...

关于全局平均池化的理解

weixin_38931565的博客

01-16

1万+

1、全局平均池化 平均池化：在feature map上以窗口的形式进行滑动（类似卷积的窗口滑动），操作为取窗口内的最大值作为结果，经过操作后，feature map降采样，减少了过拟合现象。全局平均池化GAP：不以窗口的形式取均值，而是以feature map为单位进行均值化。即一个feature map输出一个值。《NIN》:使用全局平均池化代替CNN中传统的全连接层。在使用卷积层的识别任务...

全局平均池化层

最新发布

浩瀚之水的专栏

09-04

229

全局平均池化（Global Average Pooling, GAP）的概念最早出现在2013年的论文《Network In Network》中，其基本思想是对每个通道的特征图的所有像素求平均值，从而得到一个数值，该数值代表了该特征图的全局信息[^1^]。全连接层通常包含大量的参数，这不仅增加了计算负担，还容易产生过拟合现象[^5^]。总之，全局平均池化层通过简单的平均操作实现了从特征图到类别预测的直接转换，既保留了重要的全局信息，又减少了模型复杂度和过拟合的风险，同时还提高了模型的可解释性。

Tensorflow池化

chery的博客

03-22

1104

Tensorflow最大池化 Tensorflow提供tf.nn.max_pool()函数用于对卷积层实现最大池化 conv_layer = tf.nn.conv2d(input, weight, strides=[1, 2, 2, 1], padding='SAME') conv_layer = tf.nn.bias_add(conv_layer, bias) conv_layer =...

TensorFlow 中平均池化 tf.nn.avg_pool 的基本用法及实例代码

sdnuwjw的博客

12-28

1万+

一、环境 TensorFlow API r1.12 CUDA 9.2 V9.2.148 cudnn64_7.dll Python 3.6.3 Windows 10 二、官方说明对输入张量 value 执行平均池化操作输出的每个条目为输入张量 value 中 ksize 大小的窗口所有值的平均值 https://www.tensorflow.org/api_docs/py...

图像处理_python平均池化_python_

10-03

在Python中，我们可以使用深度学习库如TensorFlow、Keras或PyTorch来实现平均池化。以TensorFlow为例，其`tf.nn.avg_pool()`函数可以完成这个任务。但这里我们将展示一个简单的非深度学习库实现，以便更好地理解过程...

建立一个带有全局平均池化层的卷积神经网络

实践求真知

05-13

8350

一实例描述使用全局平均池化层来代替传统的全连接层，使用了3个卷积层的同卷积操作，滤波器为5*5，每个卷积层后面都会跟个步长为2*2的池化层，滤波器为2*2。2层的卷积加池后是输出为10个通道卷积层，然后对这10个feature map进行全局平均池化，得到10个特征，再对这10个特征进行softmax计算，其结果来代表最终分类。通过一个带有全局平均池化层的卷积神经网络对CIFAR数据集分类。二 ...

TensorFlow 最大池化

ncst

07-10

4594

TensorFlow 最大池化由 Aphex34 (自己的作品) CC BY-SA 4.0，通过 Wikimedia Commons 共享这是一个最大池化的例子max pooling 用了 2x2 的滤波器 stride 为 2。四个 2

PyTorch的自适应池化Adaptive Pooling实例

09-18

今天小编就为大家分享一篇PyTorch的自适应池化Adaptive Pooling实例，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

7、TensorFLow 中的池化函数

Man

11-26

5786

一、池化的好处及具体操作 1、使用池化函数的好处大大降低特征的维数，避免过拟合可去除一些冗余信息，得到一个低分辨率的特征图使得模型更关注是否存在某些特征而不是特征的具体位置，可以容忍一些特征微小的位移 2、具体操作对输入数据体的每一个深度切片进行操作(深度保持不变) 常用尺寸为 2∗22∗22*2 或 3∗33∗33*3 的滤波器，步长为 222 3、常用池化操作 ...

用TensorFlow实现卷积神经网络中的池化层

DATA8866的博客

03-14

3454

卷积神经网络中卷积层之间往往会加上一个池化层。池化层可以非常有效的缩小矩阵的尺寸，从而减少最后全连接层中的参数。使用池化层既可以加快计算速度，也可以有防止过拟合问题的作用。池化层前向传播的过程也是通过移动一个类似过滤器的结构完成的。不过池化层过滤器中的计算不是节点的加权和，而是采用更加简单的最大值或者平均值运算。使用最大值操作的池化层被称为最大池化层，这是被使用的最多的池化层结构

TensorFlow基础篇（六）——tf.nn.max_pool()和tf.nn.avg_pool()

YBAdiam的博客

11-21

1052

tf.nn.max_pool()和tf.nn.avg_pool()是TensorFlow中实现最大池化和平均池化的函数，在卷积神经网络中比较核心的方法。有些和卷积很相似，可以参考TensorFlow基础篇（七）——tf.nn.conv2d()（附代码详解）两个函数调用方式相同，下边讲解以tf.nn.max_pool()为例子进行加讲解。函数格式： tf.nn.max_pool（va...

nn.AvgPool2d——二维平均池化操作

热门推荐

qq_50001789的博客

09-28

3万+

PyTorch学习笔记：nn.AvgPool2d——二维平均池化操作 torch.nn.AvgPool2d( kernel_size , stride=None , padding=0 , ceil_mode=False , count_include_pad=True , divisor_override=None ) 功能：在由多个平面组成的输入信号上应用2D平均池化操作，具体计算公式如下： out(Ni,Ci,h,w)=1kH∗kW∑m=0kH−1∑m=0kH−1input(Ni,Ci,stride

PSP模块Tensorflow/Pytorch实现小结

胡侃有料的博客

12-15

2259

every blog every motto: You can do more than you think. 0. 前言金字塔池化模块简单小结。废话：还是菜的抠脚，哎， 1. 正文 1.1 基础概念金字塔池化模块，即用不同尺度进行池化操作。如池化后特征图大小为1×1,（不考虑通道，因通道无变化），假若我们的输入特征图为40×40，那么，即对所有数据（1600）取平均（如下图，平均值为60）。如池化后的特征图为2×2，那么即将特征图分成4个区域（2×2），每个区域内进行平均池化，如下图：

nn.AvgPool2d()函数

qq_43349542的博客

07-04

1万+

X为输入图像的大小通过nn.AvgPool2d()函数输入和输出的特征层数目不变，特征图大小改变。 nn.AvgPool2d(2,2)和nn.MaxPool2d(2, 2)一样是图像大小缩小为原来的一半。

对全局平均池化（GAP）过程的理解

u014264373的博客

05-30

1万+

对学习Class Activation Mapping（CAM）原文献的时候提到的全局平均池化GAP方法做个简单的知识补充。所谓的全局就是针对常用的平均池化而言，平均池化会有它的filter size，比如 2 * 2，全局平均池化就没有size，它针对的是整张feature map.全局平均池化（Global average Pooling）由 M. Lin, Q. Chen, and S. Y...

keras全局均值池化层

08-29

Keras是一个高级神经网络API，它能够以TensorFlow, CNTK, 或者Theano作为后端运行。全局平均池化层（GlobalAveragePooling2D）是Keras中的一个层，它主要用于将三维的卷积层输出压缩成一个单一值，进而可以被用于后面的全连接层。全局平均池化层的主要作用是减少参数的数量，防止过拟合，同时可以作为替代全连接层的一种方式。在卷积神经网络中，全连接层往往会导致模型参数量的急剧增加，而全局平均池化层则可以有效减少参数，因为它将每个特征图（feature map）的所有激活值都简化为单个数值。全局平均池化层通过计算输入特征图的平均值来工作，通常用于卷积层之后，可以减少特征空间的维度，而不考虑具体的特征位置。这种池化操作有助于保留全局的统计信息，同时去除多余的特征图空间。