Tensorflow Pooling池化原理

原创文章，转载请注明： 转载自慢慢的回味

本文链接地址: Tensorflow Pooling池化原理

池化（Pooling）：也称为欠采样或下采样。主要用于特征降维，在保持旋转、平移、伸缩等不变性的前提下，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。常用的有按均值池化（mean-pooling）：更大地保留图像背景信息，按最大值池化（max-pooling）：更多的保留纹理信息。

池化原理

Tensorflow的池化(pooling.py)API主要包括1D，2D和3D的平均池化和最大池化。
平均池化通过API math_ops.reduce_mean 完成，最大池化通过API math_ops.reduce_max完成。

测试程序

以下面程序为例（这儿是GlobalMaxPooling2D）：

from __future__ import absolute_import, division, print_function, unicode_literals
 
import tensorflow as tf
from tensorflow.python.ops import math_ops
 
import numpy as np
 
a = tf.Variable(np.arange(48.0).reshape(4,4,3))
 
print (a)
 
print ("########## math_ops.reduce_mean(input_tensor=a, axis=[0], keepdims=True); #########")
print(math_ops.reduce_mean(input_tensor=a, axis=[0], keepdims=True))
print ("########## math_ops.reduce_max(input_tensor=a, axis=[0], keepdims=True); #########")
print(math_ops.reduce_max(input_tensor=a, axis=[0], keepdims=True))
 
print ("########## math_ops.reduce_mean(input_tensor=a, axis=[1], keepdims=True); #########")
print(math_ops.reduce_mean(input_tensor=a, axis=[1], keepdims=True))
print ("########## math_ops.reduce_max(input_tensor=a, axis=[1], keepdims=True); #########")
print(math_ops.reduce_max(input_tensor=a, axis=[1], keepdims=True))
 
print ("########## math_ops.reduce_mean(input_tensor=a, axis=[2], keepdims=True); #########")
print(math_ops.reduce_mean(input_tensor=a, axis=[2], keepdims=True))
print ("########## math_ops.reduce_max(input_tensor=a, axis=[2], keepdims=True); #########")
print(math_ops.reduce_max(input_tensor=a, axis=[2], keepdims=True))
 
print ("########## math_ops.reduce_mean(input_tensor=a, axis=[0,1], keepdims=True); #########")
print(math_ops.reduce_mean(input_tensor=a, axis=[0,1], keepdims=True))
print ("########## math_ops.reduce_max(input_tensor=a, axis=[0,1], keepdims=True); #########")
print(math_ops.reduce_max(input_tensor=a, axis=[0,1], keepdims=True))
 
print ("########## math_ops.reduce_mean(input_tensor=a, axis=[0,1,2], keepdims=True); #########")
print(math_ops.reduce_mean(input_tensor=a, axis=[0,1,2], keepdims=True))
print ("########## math_ops.reduce_max(input_tensor=a, axis=[0,1,2], keepdims=True); #########")
print(math_ops.reduce_max(input_tensor=a, axis=[0,1,2], keepdims=True))

代码输出：

<tf.Variable 'Variable:0' shape=(4, 4, 3) dtype=float64, numpy=
array([[[ 0.,  1.,  2.],
        [ 3.,  4.,  5.],
        [ 6.,  7.,  8.],
        [ 9., 10., 11.]],
 
       [[12., 13., 14.],
        [15., 16., 17.],
        [18., 19., 20.],
        [21., 22., 23.]],
 
       [[24., 25., 26.],
        [27., 28., 29.],
        [30., 31., 32.],
        [33., 34., 35.]],
 
       [[36., 37., 38.],
        [39., 40., 41.],
        [42., 43., 44.],
        [45., 46., 47.]]])>
########## math_ops.reduce_mean(input_tensor=a, axis=[0], keepdims=True); #########
tf.Tensor(
[[[18. 19. 20.]
  [21. 22. 23.]
  [24. 25. 26.]
  [27. 28. 29.]]], shape=(1, 4, 3), dtype=float64)
########## math_ops.reduce_max(input_tensor=a, axis=[0], keepdims=True); #########
tf.Tensor(
[[[36. 37. 38.]
  [39. 40. 41.]
  [42. 43. 44.]
  [45. 46. 47.]]], shape=(1, 4, 3), dtype=float64)
########## math_ops.reduce_mean(input_tensor=a, axis=[1], keepdims=True); #########
tf.Tensor(
[[[ 4.5  5.5  6.5]]
 
 [[16.5 17.5 18.5]]
 
 [[28.5 29.5 30.5]]
 
 [[40.5 41.5 42.5]]], shape=(4, 1, 3), dtype=float64)
########## math_ops.reduce_max(input_tensor=a, axis=[1], keepdims=True); #########
tf.Tensor(
[[[ 9. 10. 11.]]
 
 [[21. 22. 23.]]
 
 [[33. 34. 35.]]
 
 [[45. 46. 47.]]], shape=(4, 1, 3), dtype=float64)
########## math_ops.reduce_mean(input_tensor=a, axis=[2], keepdims=True); #########
tf.Tensor(
[[[ 1.]
  [ 4.]
  [ 7.]
  [10.]]
 
 [[13.]
  [16.]
  [19.]
  [22.]]
 
 [[25.]
  [28.]
  [31.]
  [34.]]
 
 [[37.]
  [40.]
  [43.]
  [46.]]], shape=(4, 4, 1), dtype=float64)
########## math_ops.reduce_max(input_tensor=a, axis=[2], keepdims=True); #########
tf.Tensor(
[[[ 2.]
  [ 5.]
  [ 8.]
  [11.]]
 
 [[14.]
  [17.]
  [20.]
  [23.]]
 
 [[26.]
  [29.]
  [32.]
  [35.]]
 
 [[38.]
  [41.]
  [44.]
  [47.]]], shape=(4, 4, 1), dtype=float64)
########## math_ops.reduce_mean(input_tensor=a, axis=[0,1], keepdims=True); #########
tf.Tensor([[[22.5 23.5 24.5]]], shape=(1, 1, 3), dtype=float64)
########## math_ops.reduce_max(input_tensor=a, axis=[0,1], keepdims=True); #########
tf.Tensor([[[45. 46. 47.]]], shape=(1, 1, 3), dtype=float64)
########## math_ops.reduce_mean(input_tensor=a, axis=[0,1,2], keepdims=True); #########
tf.Tensor([[[23.5]]], shape=(1, 1, 1), dtype=float64)
########## math_ops.reduce_max(input_tensor=a, axis=[0,1,2], keepdims=True); #########
tf.Tensor([[[47.]]], shape=(1, 1, 1), dtype=float64)

输入为4X4X3矩阵：
如果按照第0轴，取均值池化，则把第1轴，第2轴坐标相同的数据取均值输出结果，得到1X4X3的矩阵；
(0+12+24+36)/4=18

[[[18. 19. 20.]
  [21. 22. 23.]
  [24. 25. 26.]
  [27. 28. 29.]]]

如果按照第0轴，第1轴，取均值池化，则在上面的结果集上，把第1轴坐标相同的数据再取均值输出结果，得到1X1X3的矩阵；
(18+21+24+27)/4=22.5

[[[22.5 23.5 24.5]]]

如果按照第0轴，第1轴，第2轴，取均值池化，则在上面的结果集上，把第2轴坐标相同的数据再取均值输出结果，得到1X1X1的矩阵。
(22.5+23.5+24.5)/3=23.5

[[[23.5]]]

本作品采用知识共享署名 4.0 国际许可协议进行许可。

发表回复