tf.nn.max_pool(
    value,
    ksize,
    strides,
    padding,
    data_format='NHWC',
    name=None
)

实现最大池化

value： 4维张量，维度顺序参考data_format

ksize:  value中，对应维度的池化框的大小，一般为[1,f,f,1]

strides: 步长，对应维度的步长，一般为[1,s,s,1]

padding：填充方式，一般为‘SAME’或者‘VALID’，string格式

data_format: 数据导入格式，默认为[个数，高度，宽度，信道数]
输出，对应池化后的张量
参考：

https://tensorflow.google.cn/api_docs/python/tf/nn/max_pool

一、池化的好处及具体操作
1、使用池化函数的好处

大大降低特征的维数，避免过拟合
可去除一些冗余信息，得到一个低分辨率的特征图
使得模型更关注是否存在某些特征而不是特征的具体位置，可以容忍一些特征微小的位移

2、具体操作
对输入数据体的每一个深度切片进行操作(深度保持不变)

常用尺寸为 2∗2 或 3∗3 的滤波器，步长为 22

二、Max Pooling：计算池化区域中元素的最大值
tf.nn.max_pool(value, ksize, strides, padding, data_format=‘NHWC’, name=None)
输入参数：
value： 一般为卷积后的 feature map，形状为[batch, height, width, channels] ，数据类型为 tf.float32

ksize： 池化窗口的大小，形状为[1, height, weight, 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： 窗口在每一个维度上滑动的步长，形状为[1, stride, stride, 1]

padding： 'VALID' 或 SAME，和卷积中的 padding 规则相同

输出：
池化降维后的 feature map，数据类型为 tf.float32

三、Average Pooling：计算池化区域中元素的平均值
tf.nn.max_pool(value, ksize, strides, padding, data_format=‘NHWC’, name=None)
输入参数：
仅有输入 value 的数据类型比最大池化多了点，其它都一样
value： 一般为卷积后的 feature map，形状为[batch, height, width, channels] ，数据类型为 float32, float64, qint8, quint8, or qint32

输出：
池化降维后的 feature map，数据类型为和 value 保持一致

四、代码示例
注意 feature map 的提取及数据的视角

参考：https://blog.csdn.net/mzpmzk/article/details/78636184

TensorFlow实践（12）——池化函数详解
（一）前  言
（二）池化类型
（三）卷积函数实现详解
（四）卷积示例
（五）总   结

（一）前  言
在使用TensorFlow定义卷积神经网络模型时，我们经常会用到池化函数，这一节我们将对这种函数做详细的讲解，便于大家上手使用。
（二）池化类型
常用的池化函数有最大池化,平均池化,其前向计算十分简单,最大池化就是求最大值,平均池化就是求平均值.其效果如下:

最大池化:tf.nn.max_pool


平均池化:tf.nn.avg_pool



（三）卷积函数实现详解
TensorFlow中定义了最大池化运算的函数，如下所示：
tf.nn.tf.nn.max_pool(value, ksize, strides, padding, name=None)

以下是参数详解：


value

需要池化的输入，一般池化层接在卷积层的后面，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]，因为我们不用再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’，‘SAME’，返回一个tensor值


（四）卷积示例
import tensorflow as tf
data = tf.constant([
       [[3.0,2.0,3.0,4.0],
       [2.0,6.0,2.0,4.0],
       [1.0,2.0,1.0,5.0],
       [4.0,3.0,2.0,1.0]]
       ])

data = tf.reshape(data,[1,4,4,1])
maxPooling = tf.nn.max_pool(data, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')

with tf.Session() as sess:
   print(sess.run(maxPooling))
   # 输出：
   [[[[6.]
  [4.]]

 [[4.]
  [5.]]]]

（五）总   结
在本节中我们对池化函数的使用方法做了详细介绍，有任何的问题请在评论区留言，我会尽快回复，谢谢支持！

sigmoid 函数
tf.nn.sigmoid(x)

tanh 函数
tf.nn.tanh(x)

ReLU 函数
tf.nn.relu(x)

最大池化 tf.nn.max_pool()
tf.nn.max_pool(
	value,
	ksize;
	strides,
	padding,
	data_format='NHWC'
	)

均值池化 tf.nn.avg_pool()
tf.nn.avg_pool(
	value,
	ksize;
	strides,
	padding,
	data_format='NHWC'
	)