问题标签 [max-pooling]

我浏览了tf.nn.max_pool_with_argmax的文档

对输入执行最大池化并输出最大值和索引。

argmax 中的索引被展平，因此位置 [b, y, x, c] 处的最大值变为展平索引 ((b * height + y) * width + x) * channels + c。

返回的索引在展平之前总是在 [0, height) x [0, width) 中，即使涉及填充并且数学上正确的答案在外面（负数或太大）。这是一个错误，但很难以安全的向后兼容方式修复它，尤其是由于扁平化。

变量 b、y、x 和 c 尚未明确定义，因此我在实现此方法时遇到问题。有人可以提供相同的吗。

该研究论文可在以下链接中找到：

https://arxiv.org/pdf/1606.02147.pdf

无法理解 Enet 架构的初始块。

在第 3 页的研究论文中给出的声明：

ENet 初始块。MaxPooling 是用非重叠的 2×2 窗口进行的，卷积有 13 个过滤器，串联后总计 16 个特征图。

所以问题是，我们如何在连接后得到 16 个过滤器？

我正在尝试执行 ak-max pooling以选择top-k具有 shape 的密集元素(None, 30)。我尝试了一个MaxPooling1D层，但它不起作用，因为 keras 池化层至少需要一个 2d 输入形状。我正在使用以下Lambda图层，但出现以下错误：

错误：文件“/usr/local/lib/python3.5/dist-packages/keras/engine/base_layer.py”，第 474 行，调用 output_shape = self.compute_output_shape(input_shape) 文件“/usr/local/lib/ python3.5/dist-packages/keras/layers/core.py”，第 652 行，在 compute_output_shape 返回 K.int_shape(x) 文件“/usr/local/lib/python3.5/dist-packages/keras/backend/ tensorflow_backend.py"，第 591 行，在 int_shape 返回元组（x.get_shape().as_list()） AttributeError：'TopKV2' 对象没有属性 'get_shape'

我正在按照 keras 博客（https://blog.keras.io/building-autoencoders-in-keras.html）的教程来构建一个自动编码器。

我使用了自己的数据集，并且在 224*224 大小的图像上使用了以下代码。

当我看到自动编码器的摘要时，它给出的输出使得最后一层有 220 x 220。我附上了该摘要的快照。

我不明白的是它是如何从 112*112 转换为 110*110 的。我期待 conv2d_6 (Conv2D) 给我 112*112 和 16 个内核。

如果我删除 Conv2D_6 层，那么它将起作用。但我想拥有它，否则我将进行两次 UpSampling。我不明白出了什么问题。

有人可以指导我吗？

我是 Keras 的初学者。我正在尝试建立一个我正在使用顺序模型的模型。当我试图通过使用 maxpooling 函数将输入大小从 28 减少到 14 或更少时，maxpooling 函数结果不会在调用 model.summary() 函数时显示。我希望在训练后达到 0.99 或更高的准确度，即调用 model.score() 时，准确度结果应为 0.99 或更高。到目前为止的模型构建我的我可以在这里看到

输出 -

我使用的批量大小是 32，时期数是 10。

训练后的输出 -

I'm trying to use maxpooling as a first layer using keras and I have a problem with the input and output dimensions.

After running the model, I get the following error:

ValueError: Error when checking target: expected dense_622 (last layer) to have shape (1,) but got array with shape (15662,)

I'm doing classification and my target is binary (0,1) Thank you

我希望能够在大小为 [N, s, K] 的数据张量上调用 tensorflow 的 tf.math.unsorted_segment_max。N 是通道数，K 是过滤器/特征图的数量。s 是单通道数据样本的大小。我有 s 大小的 segment_ids。例如，假设我的样本大小是 s=6，并且我想对两个元素进行最大处理（就像进行通常的最大池化一样，所以在第二个，整个数据张量的 s 维）。然后我的 segment_ids 等于 [0,0,1,1,2,2]。

我试着跑步

segment_ids 具有扩展的 0 和 2 维，但由于段 id 然后重复，结果当然是大小 [3] 而不是我想要的 [N,3,K]。

所以我的问题是，如何构造一个合适的 segment_ids 张量，来实现我想要的？即根据原始 s 大小的 segment_ids 张量完成最大段，但在每个维度中分别？

基本上，回到这个例子，给定一维段 id 列表 seg_id=[0,0,1,1,2,2]，我想构造一个类似于 segment_ids 张量的东西：

因此，当使用此张量作为段 id 调用 tf.math.(unsorted_)segment_max 时，我将得到大小为 [N, 3, K] 的结果，其效果与对每个数据运行 segment_max 的效果相同[ x,:,y] 分别并适当地堆叠结果。

这样做的任何方式都可以，只要它适用于 tensorflow。我猜想 tf.tile、tf.reshape 或 tf.concat 的组合应该可以解决问题，但我不知道如何，以什么顺序。另外，有没有更直接的方法呢？不需要在每个“池化”步骤中调整 segment_ids？

我想定义我的自定义池层，而不是像 MaxPooling 层那样返回最大值，它会输出 k 个最大值和 k 个最小值。

我使用 Tensorflow 作为后端。我需要对输出向量进行排序。

我正在考虑这样做：

但后来我得到：

MinMaxPooling1D 层应用于 (None, 1, 10) 形状输出。

然后我正在考虑在 MinMaxPooling1D 之前添加一个 Flatten 层，但是有一个尺寸问题：

在张量流中，我可以在深度维度上进行池化，这将减少通道并保持空间维度不变。我试图在 pytorch 中做同样的事情，但文档似乎说池只能在高度和宽度尺寸上完成。有没有办法可以在 pytorch 中汇集频道？我有一个形状张量，[1,512,50,50]我正在尝试使用池化将通道数减少到 3。我看到了这个问题，但没有找到有用的答案。

我可以使用最大池化层将两个 3x3 矩阵转换为一个 3x3 矩阵吗？

例如，让我们采用 2 个矩阵：

矩阵 1

矩阵 2

使用 maxpool(dim = (2,2), stride =1)