池化函数

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∗2 或 3∗3 的滤波器，步长为 22

二、Max Pooling：计算池化区域中元素的最大值

tf.nn.max_pool(value, ksize, strides, padding, data_format=‘NHWC’, name=None)

输入参数：

value： 一般为卷积后的 feature map，形状为[batch, height, width, channels] ，数据类型为 tf.float32

ksize： 池化窗口的大小，形状为[1, height, weight, 1]，因为我们不想在batch 和 channels 上做池化，所以这两个维度设为了1

strides： 窗口在每一个维度上滑动的步长，形状为[1, stride, stride, 1]

padding： 'VALID' 或 SAME，和卷积中的 padding 规则相同

输出：

池化降维后的 feature map，数据类型为 tf.float32

三、Average Pooling：计算池化区域中元素的平均值

tf.nn.max_pool(value, ksize, strides, padding, data_format=‘NHWC’, name=None)

输入参数：

仅有输入 value 的数据类型比最大池化多了点，其它都一样
value： 一般为卷积后的 feature map，形状为[batch, height, width, channels] ，数据类型为 float32, float64, qint8, quint8, or qint32

输出：

池化降维后的 feature map，数据类型为和 value 保持一致

四、代码示例

注意 feature map 的提取及数据的视角

参考：https://blog.csdn.net/mzpmzk/article/details/78636184