本文主要是介绍Tensorflow 中max_pool的padding 问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
之前在学习过程中并没有遇到池化层padding的问题,在听课过程没有提到池化层padding,于是试了下,果然填不填充是不一样的效果。下面是程序示例
a = tf.get_variable('w', shape=(1,4,4,1), initializer=tf.truncated_normal_initializer(seed=1))
b = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='VALID')
c = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
with tf.Session() as sess:sess.run(tf.global_variables_initializer())out_b = sess.run(b)out_c = sess.run(c)print(out_b.shape, out_c.shape)
运行结果:
在这里刚好是4 % 2 = 0,也就是池化的模板的长度能够待处理的数据长度整除,所以两者的结果是相同的。
import tensorflow as tfa = tf.get_variable('w', shape=(1,3,3,1), initializer=tf.truncated_normal_initializer(seed=1))
b = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='VALID')
c = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
with tf.Session() as sess:sess.run(tf.global_variables_initializer())out_b = sess.run(b)out_c = sess.run(c)print(out_b.shape, out_c.shape)
这里就不一样了,因为模板在滑动时,可能存在覆盖不完全的地方,就比如用2*2的模板,对于VALID模式和SAME模式就不一样,SAME模式会补全橙色部分,而VALID模式就不会补全了
这篇关于Tensorflow 中max_pool的padding 问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!