Tensorflow 中max_pool的padding 问题

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！

---