问题标签 [max-pooling]

我正在构建一维卷积神经网络 (CNN)。从许多来源我了解到，如果添加更多层，CNN 的性能会提高。然而，在每个池化层，我的输出形状比我的输入小 50%（因为我使用的池大小为 2）。这意味着一旦我的输出具有形状 1，我就无法添加更多层。

有没有办法克服这个“减少形状问题”，或者只是增加我的输入形状的问题？

我正在尝试创建一个类似于 Max Pooling 或可分离卷积的第一步的自定义层。

例如，对于一个 2-Tensor，我想在其中提取不重叠的 2x2 补丁：如果我有[4,4]张量

我想结束以下[2,2,4]张量

对于 3-Tensor，我想要类似的东西，但也要分离出第三维。tf.extract_image_patches 几乎可以满足我的要求，但是它将“深度”维度折叠到每个补丁中。

理想情况下，如果我有一个形状为 [32,64,7] 的张量并想从中提取所有 [2,2] 块：我最终会得到一个 [16,32,7,4] 的形状

需要明确的是，我只想提取补丁，而不是实际进行最大池化或可分离卷积。

由于我实际上并没有增加数据，我怀疑你可以用一些tf.reshape技巧来做到这一点......有没有什么好的方法可以在 tensorflow 中实现这一点而无需使用切片+拼接/for循环？

此外，此操作的正确术语是什么？开窗？平铺？

我是 CNN 的新手，正在使用 Keras 构建一个模型来组合来自多个来源的输入。我的两个来源具有不同的尺寸，不能按整数缩放（即 x2 或 x3 更小）。因此，简单的最大池化是行不通的。我无法弄清楚如何对较大的图像进行下采样。以下是具体尺寸：

图片1：7000 x 4000

图片2：2607 x 1370

是否有处理非常规下采样的最佳实践？

我正在应用一个 Conv2D 层，我认为将适当大小的过滤器（1787x1261，stride=1）与最大池（2x2 和 stride=2）结合起来会给我正确的尺寸。为什么这是一个坏主意？与图像的总大小相比，这似乎是一个大过滤器。

有点相关，在完整图像的较小块上运行模型会更好吗？这样我可以控制每个块的大小？

我目前尝试在 Keras 中为时间序列分类构建顺序模型时遇到了问题。我想使用channels_first数据，因为从 perprocessing 的角度来看它更方便（不过我只使用一个通道）。Convolution1D正如我可以指定的那样，这对于我正在使用的图层很好用data_sample='channels_first'，但不知何故这不适用于Maxpooling1D，因为它似乎没有这个选项。

我要构建的模型结构如下：

window_length = 5000添加所有三层后，我得到以下摘要：

现在，我想知道这是否正确，因为我希望池化层减少第三维（即特征图中的神经元数量）而不是第二维（即过滤器的数量）？如我所见，MaxPooling1D不识别channels_first排序，虽然Keras 文档说存在关键字data_formatfor MaxPooling2D，但没有这样的关键字 for MaxPooling1D。

我用channels_last数据格式测试了整个设置，它按我的预期工作。但由于从channels_firstto的转换channels_last对我来说需要相当长的时间，我真的更愿意使用channels_first. 我有一种感觉，我只是错过了一些东西。

如果您需要更多信息，请告诉我。

在正常的池化操作中，我们必须提到池化操作的池大小，例如我们提到的 2D 池化操作(2,2)；但是，在全局池操作中，它不是必需的。那么它与输入的大小相同吗？我正在研究 Keras。这里一位作者提到池化大小与input sizeor相同input size-filter size+1。哪一个是正确的？

I am writing a CNN for text classification. The max pooling2D layer seems does not work as the output shape is same as conv2D. I have attached my code and output shape below. Thanks for helping me!

output shape for each layer

Maxpooling 是我在这里读到的一种技术https://computersciencewiki.org/index.php/Max-pooling_/_Pooling。我了解，它用于近似输入。这是为了减少神经网络可能花费在其上的时间。我无法确定的是，为什么要选择最大值？那有效吗？如果是，为什么？其他选项可能像选择平均值或最小值，或者可能是左上角的值（例如）。

在情感分析的情况下，有人可以解释 lstm 层之后最大池化层的重要性吗？

如果仅考虑最终时间步的输出与最大池的输出，它如何改进整个句子的编码？

在阅读一些深度学习论文时，有时会提到用于下采样的最大池化层也可用于减少/增加特征通道（地图）的数量。这让我很困惑。在我看来，最大池化层可以对大小进行下采样，但应该保持原始特征图的数量。我在 tensorflow 中搜索 max pool 的使用情况，但是有关于更改特征通道的参数。那么，有人能告诉我如何通过最大池层减少特征通道吗？例如，max pool 改变了下图中的特征通道数。 在此处输入图像描述

Hiroshi Fukui，使用具有稀有率的小批量训练的不平衡数据集的稳健行人属性识别

我定义了一个简单的网络：

层的形状如下：

该模型共有 106 个参数，但是如果我删除最大池化层，则模型摘要如下所示：

在这两种情况下，总参数仍然是 106，但为什么通常会写最大池化层减少参数数量？