标签：ide shape put port python version and imp idt
在下面的练习中，你需要设定池化层的大小，strides，以及相应的 padding。你可以参考 tf.nn.max_pool()。Padding 与卷积 padding 的原理一样。
完成 maxpool 函数中所有的 TODO。
设定 strides，padding 和 ksize 使得池化的结果维度为 (1, 2, 2, 1)。
""" Set the values to `strides` and `ksize` such that the output shape after pooling is (1, 2, 2, 1). """ import tensorflow as tf import numpy as np # `tf.nn.max_pool` requires the input be 4D (batch_size, height, width, depth) # (1, 4, 4, 1) x = np.array([ [0, 1, 0.5, 10], [2, 2.5, 1, -8], [4, 0, 5, 6], [15, 1, 2, 3]], dtype=np.float32).reshape((1, 4, 4, 1)) X = tf.constant(x) def maxpool(input): # TODO: Set the ksize (filter size) for each dimension (batch_size, height, width, depth) ksize = [?, ?, ?, ?] # TODO: Set the stride for each dimension (batch_size, height, width, depth) strides = [?, ?, ?, ?] # TODO: set the padding, either ‘VALID‘ or ‘SAME‘. padding = ? # https://www.tensorflow.org/versions/r0.11/api_docs/python/nn.html#max_pool return tf.nn.max_pool(input, ksize, strides, padding) out = maxpool(X)
这是我的做法。注意：有不止一种方法得到正确的输出维度，你的答案可能会跟我的有所不同。
def maxpool(input): ksize = [1, 2, 2, 1] strides = [1, 2, 2, 1] padding = ‘VALID‘ return tf.nn.max_pool(input, ksize, strides, padding)
我想要把输入的 (1, 4, 4, 1) 转变成 (1, 2, 2, 1)。padding 方法我选择 ‘VALID‘。我觉得他更容易理解，也得到了我想要的结果。
out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))
out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))
替换入值：
out_height = ceil(float(4 - 2 + 1) / float(2)) = ceil(1.5) = 2
out_width = ceil(float(4 - 2 + 1) / float(2)) = ceil(1.5) = 2
深度在池化的时候不变，所以不用担心。
标签：ide shape put port python version and imp idt
原文地址：https://www.cnblogs.com/fuhang/p/9264992.html
