MaxPooling1D和globalMaxPooling1D的区别

最新推荐文章于 2024-11-08 08:39:45 发布
原创 最新推荐文章于 2024-11-08 08:39:45 发布 · 2.1k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #cnn #神经网络

本文详细介绍了MaxPooling1D和GlobalMaxPooling1D在深度学习中的作用和区别。MaxPooling1D通过指定的池化窗口在输入数据的第二维上进行局部最大值提取，而GlobalMaxPooling1D则是对整个第二维数据求最大值，实现全局信息的保留。这两种池化方法在神经网络中常用于减少数据维度，提高模型效率。
部署运行你感兴趣的模型镜像

1.GlobalMaxPooling1D:
在steps维度（也就是第二维）对整个数据求最大值。
比如说输入数据维度是[10, 4, 10]，那么进过全局池化后，输出数据的维度则变成[10, 10]。

是对步长维度的向量求最大值。故会产生维度压缩

2.MaxPooling1D：
也是在steps维度（也就是第二维）求最大值。但是限制每一步的池化的大小。 比如，输入数据维度是[10, 4, 10]，池化层大小pooling_size=2，步长stride=1，那么经过MaxPooling(pooling_size=2, stride=1)后，输出数据维度是[10, 3, 10]。

是对每一次卷积的kernel内的向量求最大值，产生一个新的向量。而没有做额外多余的处理。
 

the  [[.7, -0.2, .1]   |池化大小是2，所以一次选两个字，首先对                
boy   [.8, -.3,  .2]   | 前两个向量求最大值，也就是the和boy。   | 步长是1，移动到
will  [.2, -.1,  .4]                                       | boy和will
live  [.4  -.4,  .8]]

池化层处理时并未增加新的变量和参数。

Keras学习笔记(四)：MaxPooling1D和GlobalMaxPooling1D的区别_林夕-优快云博客_maxpooling1d

您可能感兴趣的与本文相关的镜像

ACE-Step

ACE-Step

音乐合成
ACE-Step

ACE-Step是由中国团队阶跃星辰（StepFun）与ACE Studio联手打造的开源音乐生成模型。 它拥有3.5B参数量，支持快速高质量生成、强可控性和易于拓展的特点。 最厉害的是，它可以生成多种语言的歌曲，包括但不限于中文、英文、日文等19种语言

PyG中global_max_pool()函数介绍
优快云 精品推荐
02-02 1944
我们在图分类任务时，需要获取每张图的特征表示，但是每张图会存在多个节点，我们需要根据这些节点形成一个新的特征向量作为图的表示，这时就利用到了全局池化。表明第一个、第二个和第三个节点进行池化，第四个和第五个节点进行池化，最终我们形成了2个特征向量，表示每个簇进行池化后的结果。，他们两个作用是类似的，都是对于同一簇内的节点进行池化，对于全局池化相当于对一整张图进行池化，如果我们设置。会将多个子图拼接成为一个大图，这时如果对这张图进行池化，不能够分清哪个节点属于哪张图，所以可以使用。这个函数作用是一致的。
计算机视觉面试考点（10）池化
嘻嘻哈哈yjy的博客
04-22 2393
计算机视觉工程师在面试过程中主要考察三个内容：图像处理、机器学习、深度学习。然而，各类资料纷繁复杂，或是简单的知识点罗列，或是有着详细数学推导令人望而生畏的大部头。为了督促自己学习，也为了方便后人，决心将常考必会的知识点以通俗易懂的方式设立专栏进行讲解，努力做到长期更新。此专栏不求甚解，只追求应付一般面试。希望该专栏羽翼渐丰之日，可以为大家免去寻找资料的劳累。每篇介绍一个知识点，没有先后顺序。想了...
探究Transformer模型中不同的池化技术
WeLearnNLP
03-29 3236
Pooling是一种将输入序列映射成固定长度向量的技术。在自然语言处理中，输入序列往往是一个变长的文本，而神经网络需要一个固定长度的向量作为输入。因此，我们需要使用Pooling技术将输入序列进行压缩，得到一个固定长度的向量。常见的Pooling技术有MaxPooling、AveragePooling、GlobalMaxPooling、GlobalAveragePooling等。
Keras: GlobalMaxPooling vs. MaxPooling
Tardigrade_的博客
06-18 3776
Keras: GlobalMaxPooling vs. MaxPooling1D最大池化（1D Max Pooling）2D最大池化（2D Max Pooling）3D最大池化（3D Max Pooling）应用场景概念迁移参考文献 这其实不是个复杂的问题，但是查的时候看到有人把翻译的文章标原创，还不写出处，十分不爽，就自己写了一篇。 1D最大池化（1D Max Pooling） # MaxPoo...
Keras学习笔记(四)：MaxPooling1D和GlobalMaxPooling1D的区别
热门推荐
林夕
01-13 4万+
区别： 1.GlobalMaxPooling1D: 在steps维度（也就是第二维）对整个数据求最大值。 比如说输入数据维度是[10, 4, 10]，那么进过全局池化后，输出数据的维度则变成[10, 10]。 2.MaxPooling1D： 也是在steps维度（也就是第二维）求最大值。但是限制每一步的池化的大小。 比如，输入数据维度是[10, 4, 10]，池化层大小pooling_size=...
深度学习--MaxPooling1D和GlobalMaxPooling1D的区别
糯米君的博客
03-24 1396
1.GlobalMaxPooling1D: 在steps维度对整个数据求最大值。 2.MaxPooling1D： 在steps维度求最大值。但是限制每一步的池化的大小。 实例： import numpy as np from keras.models import Sequential from keras.layers import Dense, LSTM, GlobalMaxPooling1D, MaxPooling1D D = np.random.rand(10, 6, 10) model = S
AveragePooling1D层 和 MaxPooling1D layer
敌人派的博客
01-16 644
data_format：字符串，可选项为“channels_last”和“channels_first”。当使用"valid" （padding）填充选项时，结果的输出的形状为：output_shape = (input_shape - pool_size + 1) / strides)pool_size：整数或整数元组，表示池化窗口的大小。例如，pool_size=2 表示在每个维度上使用大小为 2 的池化窗口。strides：步长，如果是None，它默认值为pool_size。默认值为 None。
GlobalMaxPooling1D如何导入
04-11
例如，在引用[2]中，Conv1D的输出经过MaxPooling1D后，再经过另一个Conv1D，最后使用GlobalMaxPooling1D，将每个通道的最大值提取出来，接着输入到全连接层。 最后，总结使用步骤：导入层、在模型架构中的适当位置...
name 'GlobalMaxPooling1D' is not defined
03-12
因为有时候缩写可能会不同，比如MaxPooling1D和MaxPool1D其实是同一个，但不确定Global版本是否有类似情况。 另外，TensorFlow的版本也是一个关键因素。比如在早期的TensorFlow 2.x版本中，可能使用的是`...
import tensorflow as tf from tensorflow.keras import layers, Model from tensorflow.keras.layers import BatchNormalization, Conv1D, ReLU, Concatenate, GlobalAveragePooling1D, \ GlobalMaxPooling1D, MaxPool1D, Dense # 基本模块 def basic_block(x, growth_rate): x1 = BatchNormalization()(x) x1 = ReLU()(x1) x1 = Conv1D(growth_rate, kernel_size=7, strides=1, padding='same')(x1) return Concatenate(axis=-1)([x, x1]) # 原始输入通道数 + growth_rate # 密集模块 def dense_block(x, num_layers, growth_rate): for _ in range(num_layers): x = basic_block(x, growth_rate) # 输入通道数 + num_layers * growth_rate return x # 过渡模块 def transition_layer(x, out_channels): x = BatchNormalization()(x) x = ReLU()(x) x = Conv1D(out_channels, kernel_size=5, strides=1, padding='same')(x) x = MaxPool1D(pool_size=3, strides=2, padding='same')(x) return x def bit_output(x, num_bits=32): logits = Dense(num_bits * 2)(x) return tf.reshape(logits, (-1, num_bits, 2)) def DenseNet(input_shape=(448, 2)): inputs = layers.Input(shape=input_shape) # 初始卷积层 x = layers.Conv1D(64, kernel_size=7, strides=1, padding='same')(inputs) x = layers.BatchNormalization()(x) x = layers.ReLU()(x) # 第一组过渡模块和密集模块 x = transition_layer(x, 128) x = dense_block(x, 2, 128) # 第二组过渡模块和密集模块 x = transition_layer(x, 64) x = dense_block(x, 3, 64) # 第三组过渡模块和密集模块 x = transition_layer(x, 64) x = dense_block(x, 4, 64) # 第四组过渡模块和密集模块 x = transition_layer(x, 64) x = dense_block(x, 3, 64) x = Conv1D(150, kernel_size=5, strides=1, padding='same')(x) x = BatchNormalization()(x) x = ReLU()(x) x_max = GlobalMaxPooling1D()(x) x_avg = GlobalAveragePooling1D()(x) x = layers.Concatenate(axis=-1)([x_max, x_avg]) # 最终特征向量 x = bit_output(x) model = Model(inputs=inputs, outputs=x) return model if __name__ == '__main__': model = DenseNet(input_shape=(448, 2)) model.summary() 我这个代码最终其实是想对输入的二进制比特进行恢复的，你看我那个设计可行吗，和单独的32个二进制分类器效果一样吗
最新发布
11-20
为了适应DenseNet，我们可以将其重塑为（32,1）的形状（即32个时间步，每个时间步1个通道），然后使用一维卷积层（Conv1D）和DenseBlock（需要实现一维版本的DenseBlock）。 然而，标准的DenseNet实现通常用于二维...
MaxPooling1D和GlobalMaxPooling1D的区别
zztSky
12-21 1889
import tensorflow as tf from tensorflow import keras input_shape = (2, 3, 4) x = tf.random.normal(input_shape) print(x) y=keras.layers.GlobalMaxPool1D()(x) print("*"*20) print(y) ''' """Global average pooling operation for temporal data. Examples:
GlobalMaxPooling1D和MaxPooling1D的区别
boss的博客
07-08 784
MaxPooling1D和GlobalMaxPooling1D的区别
深度学习之全局池化（“global pooling”）、全局平局池化（“global avg pooling”）、全局最大池化（“global max pooling）
棉花糖的博客
03-03 1万+
参考：https://blog.youkuaiyun.com/JNingWei/article/details/80064451（全局池化） https://blog.youkuaiyun.com/williamyi96/article/details/77530995（Global Average Pooling对全连接层的可替代性分析） https://blog.c...
keras 中的keras.preprocessing、Embedding、GlobalMaxPooling1D()、 TimeDistributed
Chrsitina_S的博客
07-29 840
本文以短问答为背景，串联几个keras下常用的函数 0：keras.preprocessing 该模块是对数据的预处理模块 https://blog.youkuaiyun.com/winter_python/article/details/108615737 由于keras只能接受相等长度的序列，因此在将数据输入之前，要将所有的句子缩放成等长 input_length=10 keras.preprocessing.sequence.pad_sequences(sentence, maxlen=input_length,
tf.keras.layers.GlobalMaxPool1D()
sslfk的博客
12-23 1089
与tf.keras.layers.Conv1D的输入一样，输入一个三维数据(batch_size,feature_size,output_dimension) x = tf.constant([[1., 2., 3.], [4., 5., 6.]]) ​​​​​​​x = tf.reshape(x, [2, 3, 1]) max_pool_1d=tf.keras.layers.GlobalMaxPooling1D() max_pool_1d(x) 其中max_pool_1d(x)和tf.math
全局池化（Global Pooling）
CV在读
11-08 3645
在经过全局池化后，特征图形状会从[b,c,h,w]变为[b,c,1,1]
池化 MaxPooling AveragePooling MeanPooling GlobalMaxPooling GlobalAveragePooling 区别
心之所向
03-11 1万+
MaxPooling AveragePooling 目的： 1、整合特征 2、减少参数 2、平移不变性 如上图使用的max pooling，当底层特征向右偏移一位时，由于max pooling 只关注较大值，可以看到上层特征变化不大。 上图中三个detector分别探测不同偏移方向的数字5，当探测到对应偏移的数字5时，相应的detector就会激活。而在detector上层的p...
卷积神经网络---池化层
weixin_45698190的博客
10-10 4245
在神经网络中，我们经常会看到池化层，常用的池化操作有四种：mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化），池化层有一个很明显的作用：减少特征图大小，也就是可以减少计算量和所需显存。 ***mean-pooling（平均池化）：***即对邻域内特征点只求平均 优缺点：能很好的保留背景，但容易使得图片变模糊 正向传播：邻域内取平均 反向传播：特征值根据领域大小被平均，然后传
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

会发paper的学渣

您的鼓励和将是我前进的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值