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