机器学习与深度学习 / 系统课时

使用池化层

使用池化层

池化层不学习卷积核,而是按局部窗口压缩特征图。本课用最大池化和平均池化比较同一组数值,验证它们对空间尺寸、通道数和局部信息的不同影响。

学习目标

  • 能解释 MaxPooling2D 与 AveragePooling2D 的取值规则和适用差异。
  • 能用 pool_size、strides 和 padding 计算池化后的特征图尺寸。
  • 能运行两种池化层并核对数值结果与输出形状。

池化如何压缩特征图

以 pool_size=(2, 2)、strides=(2, 2)、padding='valid' 为例,每个互不重叠的 2×2 区域会被压成一个数。输入 32×32×16 因此变成 16×16×16:宽高减半,但 16 个通道保持不变。

最大池化取窗口内最大值,强调“某个特征是否强烈出现”;平均池化取窗口平均值,更接近保留局部整体响应。二者都没有可训练权重,因此不会像卷积层那样增加参数量。

同一特征图经过最大池化和平均池化后的数值差异

最大池化与平均池化

如果特征表示边缘、角点或某个模式是否出现,最大池化通常更直接;如果希望保留一个区域的整体激活水平,平均池化更合适。两种方式都应结合验证集结果判断,而不是仅凭层名选择。

层 2×2 窗口 [1, 3; 5, 6] 的输出 更容易保留的信息
MaxPooling2D 6 最强局部响应
AveragePooling2D 3.75 局部平均水平

Keras 中这两层默认 pool_size=(2, 2),默认 padding='valid';strides 未指定时会使用与 pool_size 相同的步幅。需要精确控制网络尺寸时,建议显式写出 strides,避免读代码时依赖默认值。

运行并验证两种池化

下面使用固定的 4×4 输入,使每个窗口的结果都能手算。张量必须包含 batch 和 channel 两个维度,因此输入形状写成 (1, 4, 4, 1)。

python
import tensorflow as tf

x = tf.constant(
    [[
        [[1.0], [3.0], [2.0], [4.0]],
        [[5.0], [6.0], [1.0], [2.0]],
        [[7.0], [2.0], [8.0], [3.0]],
        [[4.0], [9.0], [5.0], [0.0]]
    ]]
)

max_pool = tf.keras.layers.MaxPooling2D(
    pool_size=(2, 2),
    strides=(2, 2),
    padding='valid'
)
avg_pool = tf.keras.layers.AveragePooling2D(
    pool_size=(2, 2),
    strides=(2, 2),
    padding='valid'
)

max_y = tf.squeeze(max_pool(x)).numpy().tolist()
avg_y = tf.squeeze(avg_pool(x)).numpy().tolist()

print('max:', max_y)
print('avg:', avg_y)

预期输出

text
max: [[6.0, 4.0], [9.0, 8.0]]
avg: [[3.75, 2.25], [5.5, 4.0]]

左上窗口 [1, 3; 5, 6] 的最大值是 6,平均值是 3.75,其余三个窗口也按同样规则计算。若输出不是 2×2,首先检查输入维度顺序、pool_size 和 strides 是否与示例一致。

在 CNN 中安排池化

一个容易检查的尺寸计划是:64×64×3 -> Conv2D(32, 3, same) -> 64×64×32 -> MaxPooling2D(2) -> 32×32×32 -> Conv2D(64, 3, same) -> 32×32×64 -> MaxPooling2D(2) -> 16×16×64。

两次 2×2、步幅 2 的池化让空间面积从 64×64=4096 降到 16×16=256,缩小 16 倍,但通道数由卷积层单独控制。这样通常能明显降低后续计算量,同时保留逐层提取到的高层特征。

实际模型中可先从“每一到两组卷积后池化一次”开始,再比较验证集指标与推理速度。检查时同时记录输出形状和验证集表现;只有尺寸下降但准确率明显恶化时,应减少池化次数或推迟第一次下采样。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

使用池化层

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通