TensorFLow 中的池化函数

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

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 2

3、常用池化操作

---

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：一般为 'VALID' 模式

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

---

五、参考资料

1、https://www.tensorflow.org/api_docs/python/tf/nn/max_pool
2、https://cs231n.github.io/convolutional-networks/
3、CNN的近期进展与实用技巧（上）