MaxPooling2D层
MaxPooling2D class
keras.layers.MaxPooling2D(
pool_size=(2, 2), strides=None, padding="valid", data_format=None, name=None, **kwargs
)
二维空间数据的最大池化操作.
沿其空间维度（高度和宽度）对输入进行下采样,
通过在输入窗口（大小由 pool_size 定义）上取最大值
来对输入的每个通道进行下采样.
窗口沿每个维度按 strides 移动.
当使用 "valid" 填充选项时,生成的输出具有的空间形状（行数或列数）为:
output_shape = math.floor((input_shape - pool_size) / strides) + 1
（当 input_shape >= pool_size 时）
当使用 "same" 填充选项时,生成的输出形状为:
output_shape = math.floor((input_shape - 1) / strides) + 1
参数:
pool_size: 整数或 2 个整数的元组,用于下采样的因子
(dim1, dim2).如果只指定一个整数,则所有维度将使用相同
的窗口长度.
strides: 整数或 2 个整数的元组,或 None.步幅值.如果为 None,
则默认为 pool_size.如果只指定一个整数,则所有维度将使用相同的步幅大小.
padding: 字符串,可以是 "valid" 或 "same"（不区分大小写）.
"valid" 表示无填充."same" 会导致在输入的左右或上下均匀填充,
使得输出具有与输入相同的高度/宽度维度.
data_format: 字符串,可以是 "channels_last" 或 "channels_first".
输入中维度的顺序."channels_last"
对应于形状为 (batch, height, width, channels) 的输入,
而 "channels_first" 对应于形状为
(batch, channels, height, width) 的输入.它默认为
在 ~/.keras/keras.json 文件中找到的 image_data_format 值.
如果你从未设置过它,那么它将是 "channels_last".
输入形状:
- 如果
data_format="channels_last": 4D 张量,形状为(batch_size, height, width, channels). - 如果
data_format="channels_first": 4D 张量,形状为(batch_size, channels, height, width).
输出形状:
- 如果
data_format="channels_last": 4D 张量,形状为(batch_size, pooled_height, pooled_width, channels). - 如果
data_format="channels_first": 4D 张量,形状为(batch_size, channels, pooled_height, pooled_width).
示例:
strides=(1, 1) 和 padding="valid":
>>> x = np.array([[1., 2., 3.],
... [4., 5., 6.],
... [7., 8., 9.]])
>>> x = np.reshape(x, [1, 3, 3, 1])
>>> max_pool_2d = keras.layers.MaxPooling2D(pool_size=(2, 2),
... strides=(1, 1), padding="valid")
>>> max_pool_2d(x)
strides=(2, 2) 和 padding="valid":
>>> x = np.array([[1., 2., 3., 4.],
... [5., 6., 7., 8.],
... [9., 10., 11., 12.]])
>>> x = np.reshape(x, [1, 3, 4, 1])
>>> max_pool_2d = keras.layers.MaxPooling2D(pool_size=(2, 2),
... strides=(2, 2), padding="valid")
>>> max_pool_2d(x)
stride=(1, 1) 和 padding="same":
>>> x = np.array([[1., 2., 3.],
... [4., 5., 6.],
... [7., 8., 9.]])
>>> x = np.reshape(x, [1, 3, 3, 1])
>>> max_pool_2d = keras.layers.MaxPooling2D(pool_size=(2, 2),
... strides=(1, 1), padding="same")
>>> max_pool_2d(x)