概述
max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似
说明
tf.nn.max_pool(value, ksize, strides, padding, name=None)
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
- 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
- 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]
- padding：和卷积类似，可以取'VALID' 或者'SAME'
- use_cudnn_on_gpu：bool类型，是否使用cudnn加速，默认为true
- name：指定该操作的name
返回
返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
实例
示例源码：
假设有这样一张图，双通道
通道1
通道2
用程序去做最大值池化：
import tensorflow as tf
a = tf.constant([[
[[1., 17.],
[2., 18.],
[3., 19.],
[4., 20.]],
[[5., 21.],
[6., 22.],
[7., 23.],
[8., 24.]],
[[9., 25.],
[10., 26.],
[11., 27.],
[12., 28.]],
[[13., 29.],
[14., 30.],
[15., 31.],
[16., 32.]]
]])
pooling = tf.nn.max_pool(a, [1, 2, 2, 1], [1, 1, 1, 1], padding='VALID')
with tf.Session() as sess:
print('image: ')
print(sess.run(a))
print('\n')
print('result: ')
print(sess.run(pooling))
image:
[[[[ 1. 17.]
[ 2. 18.]
[ 3. 19.]
[ 4. 20.]]
[[ 5. 21.]
[ 6. 22.]
[ 7. 23.]
[ 8. 24.]]
[[ 9. 25.]
[ 10. 26.]
[ 11. 27.]
[ 12. 28.]]
[[ 13. 29.]
[ 14. 30.]
[ 15. 31.]
[ 16. 32.]]]]
result:
[[[[ 6. 22.]
[ 7. 23.]
[ 8. 24.]]
[[ 10. 26.]
[ 11. 27.]
[ 12. 28.]]
[[ 14. 30.]
[ 15. 31.]
[ 16. 32.]]]]
通道1
通道2
可以改变步长
pooling = tf.nn.max_pool(a, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
输出结果：
result:
[[[[ 6. 22.]
[ 8. 24.]]
[[ 14. 30.]
[ 16. 32.]]]]
通道1
通道2
