人工智能学习案例-卷积神经网络池化案例

Ø一个知识点，一个案例，一段代码，理论与实践结合

Ø通俗简单易懂，每个案例代码都非常简短.

Ø代码注解非常清楚

Ø系统化学习，包括编程，数学，numpy,tensorflow，matplotlib

让大家更快，更好的掌握人工智能

花两小时改变自己的命运

空间池化（也称为子采样或下采样）可降低每个特征映射的维度，并保留最重要的信息。空间池化有几种不同的方式：最大值，平均值，求和等。

max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似

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

importtensorflowastf

#定义输入数据

input = tf.constant([[1,1,2,4],

[5,6,7,8],

[3,2,1,],

[1,2,3,4]],dtype=tf.float32)

#修改输入数据维度，[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量,图片高度,图片宽度,图像通道数]，注意这是一个4维的Tensor

input = tf.reshape(input,(1,4,4,1))

#第一个参数value：需要池化的输入[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]

pool = tf.nn.max_pool(input,[1,2,2,1],strides=[1,2,2,1],padding="VALID")

withtf.Session()assess:

print("池化后的值，:",sess.run(pool))

池化后的值，: [[[[6.]

[8.]]

[[3.]

[4.]]]]