MaxPooling1D 层
MaxPooling1D 类
tf_keras.layers.MaxPooling1D(
pool_size=2, strides=None, padding="valid", data_format="channels_last", **kwargs
)
一维时间序列数据的最大池化操作。
通过在大小为pool_size的空间窗口内取最大值来对输入表示进行下采样。窗口以strides为步长移动。当使用"valid"填充选项时，得到的输出形状为：output_shape = (input_shape - pool_size + 1) / strides)
当使用"same"填充选项时，得到的输出形状为：output_shape = input_shape / strides
例如，对于strides=1和padding="valid"
>>> x = tf.constant([1., 2., 3., 4., 5.])
>>> x = tf.reshape(x, [1, 5, 1])
>>> max_pool_1d = tf.keras.layers.MaxPooling1D(pool_size=2,
... strides=1, padding='valid')
>>> max_pool_1d(x)
<tf.Tensor: shape=(1, 4, 1), dtype=float32, numpy=
array([[[2.],
[3.],
[4.],
[5.]]], dtype=float32)>
例如，对于strides=2和padding="valid"
>>> x = tf.constant([1., 2., 3., 4., 5.])
>>> x = tf.reshape(x, [1, 5, 1])
>>> max_pool_1d = tf.keras.layers.MaxPooling1D(pool_size=2,
... strides=2, padding='valid')
>>> max_pool_1d(x)
<tf.Tensor: shape=(1, 2, 1), dtype=float32, numpy=
array([[[2.],
[4.]]], dtype=float32)>
例如，对于strides=1和padding="same"
>>> x = tf.constant([1., 2., 3., 4., 5.])
>>> x = tf.reshape(x, [1, 5, 1])
>>> max_pool_1d = tf.keras.layers.MaxPooling1D(pool_size=2,
... strides=1, padding='same')
>>> max_pool_1d(x)
<tf.Tensor: shape=(1, 5, 1), dtype=float32, numpy=
array([[[2.],
[3.],
[4.],
[5.],
[5.]]], dtype=float32)>
参数
- pool_size：整数，最大池化窗口的大小。
- strides：整数或 None。指定池化窗口每次池化移动的距离。如果为 None，则默认为
pool_size。 - padding：
"valid"或"same"之一（不区分大小写）。"valid"表示不填充。"same"会导致在输入的左右或上下均匀填充，使得输出的高度/宽度维度与输入相同。 - data_format：字符串，
channels_last（默认）或channels_first之一。输入中维度的顺序。channels_last对应于形状为(batch, steps, features)的输入，而channels_first对应于形状为(batch, features, steps)的输入。
输入形状
- 如果
data_format='channels_last'：形状为(batch_size, steps, features)的三维张量。 - 如果
data_format='channels_first'：形状为(batch_size, features, steps)的三维张量。
输出形状
- 如果
data_format='channels_last'：形状为(batch_size, downsampled_steps, features)的三维张量。 - 如果
data_format='channels_first'：形状为(batch_size, features, downsampled_steps)的三维张量。