tf.nn.max_pool实现池化操作
2018-02-07 15:12
666 查看
原文:http://blog.csdn.net/mao_xiao_feng/article/details/53453926
max pooling是CNN当中的最大值池化操作,其实用法和卷积很类似
有些地方可以从卷积去参考【TensorFlow】tf.nn.conv2d是怎样实现卷积的?
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个,和卷积很类似:
第一个参数value:需要池化的输入,一般池化层接在卷积层后面,所以输入通常是feature map,依然是[batch, height, width, channels]这样的shape
第二个参数ksize:池化窗口的大小,取一个四维向量,一般是[1, height, width, 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
第三个参数strides:和卷积类似,窗口在每一个维度上滑动的步长,一般也是[1, stride,stride, 1]
第四个参数padding:和卷积类似,可以取’VALID’ 或者’SAME’
返回一个Tensor,类型不变,shape仍然是[batch, height, width, channels]这种形式
示例源码:
假设有这样一张图,双通道
第一个通道:
![](http://img.blog.csdn.net/20180207150801633?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvanVzdF9zb3J0/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
第二个通道:
![](http://img.blog.csdn.net/20180207150818074?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvanVzdF9zb3J0/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
池化
结果:
池化后的结果也就是:
![](http://img.blog.csdn.net/20161204141417771)
max pooling是CNN当中的最大值池化操作,其实用法和卷积很类似
有些地方可以从卷积去参考【TensorFlow】tf.nn.conv2d是怎样实现卷积的?
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个,和卷积很类似:
第一个参数value:需要池化的输入,一般池化层接在卷积层后面,所以输入通常是feature map,依然是[batch, height, width, channels]这样的shape
第二个参数ksize:池化窗口的大小,取一个四维向量,一般是[1, height, width, 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
第三个参数strides:和卷积类似,窗口在每一个维度上滑动的步长,一般也是[1, stride,stride, 1]
第四个参数padding:和卷积类似,可以取’VALID’ 或者’SAME’
返回一个Tensor,类型不变,shape仍然是[batch, height, width, channels]这种形式
示例源码:
假设有这样一张图,双通道
第一个通道:
第二个通道:
池化
import tensorflow as tf sess = tf.InteractiveSession() a=tf.constant([ [[1.0,2.0,3.0,4.0], [5.0,6.0,7.0,8.0], [8.0,7.0,6.0,5.0], [4.0,3.0,2.0,1.0]], [[4.0,3.0,2.0,1.0], [8.0,7.0,6.0,5.0], [1.0,2.0,3.0,4.0], [5.0,6.0,7.0,8.0]] ]) #print(sess.run(a)) a = tf.reshape(a,[1,4,4,2]) #print(sess.run(a)) pooling=tf.nn.max_pool(a,[1,2,2,1],[1,1,1,1],padding='VALID') with tf.Session() as sess: print("image:") image=sess.run(a) print (image) print("reslut:") result=sess.run(pooling) print (result)
结果:
image: [[[[ 1. 2.] [ 3. 4.] [ 5. 6.] [ 7. 8.]] [[ 8. 7.] [ 6. 5.] [ 4. 3.] [ 2. 1.]] [[ 4. 3.] [ 2. 1.] [ 8. 7.] [ 6. 5.]] [[ 1. 2.] [ 3. 4.] [ 5. 6.] [ 7. 8.]]]] reslut: [[[[ 8. 7.] [ 6. 6.] [ 7. 8.]] [[ 8. 7.] [ 8. 7.] [ 8. 7.]] [[ 4. 4.] [ 8. 7.] [ 8. 8.]]]]
池化后的结果也就是:
相关文章推荐
- 【TensorFlow】tf.nn.max_pool实现池化操作
- 【TensorFlow】tf.nn.max_pool实现池化操作
- 【TensorFlow】tf.nn.max_pool实现池化操作
- TensorFlow:tf.nn.max_pool实现池化操作(转载)
- TensorFlow 用 tf.nn.max_pool 实现最大池化操作
- TensorFlow--tf.nn.max_pool实现池化操作
- TensorFlow学习笔记(四):tf.nn.max_pool如何实现池化操作?
- 池化操作 tensorflow tf.nn.max_pool
- tensorflow 池化操作实例 tf.nn.max_pooling
- TF-池化函数 tf.nn.max_pool 的介绍
- TensorFlow实例(5.3)--MNIST手写数字进阶算法(卷积神经网络CNN) 之 最大池化tf.nn.max_pool
- TensorFlow - tf.nn.max_pool实现池化操作
- tf.nn.max_pool作什么用?
- TensorFlow学习---tf.nn.conv2d实现卷积操作
- Tensorflow(r1.4)API--tf.nn.max_pool
- tf.nn.max_pool
- tf.nn.max_pool
- tf.nn.pool()使用例子:TensorFlow对一维数据进行池化
- tf.nn.max_pool
- tf.nn.conv2d与tf.nn.max_pool介绍