MaxPooling1D
类tf_keras.layers.MaxPooling1D(
pool_size=2, strides=None, padding="valid", data_format="channels_last", **kwargs
)
用于一维时序数据的最大池化操作。
通过在大小为 pool_size
的空间窗口上取最大值来对输入表示进行下采样。窗口移动的步长为 strides
。使用 "valid"
填充选项时,输出形状为:output_shape = (input_shape - pool_size + 1) / strides)
使用 "same"
填充选项时,输出形状为:output_shape = input_shape / strides
例如,当 strides=1
且 padding="valid"
时
>>> 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,当 strides=2
且 padding="valid"
时
>>> 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,当 strides=1
且 padding="same"
时
>>> 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
。"valid"
或 "same"
之一(不区分大小写)。"valid"
表示无填充。"same"
会在输入的左/右均匀填充,使输出具有与输入相同的步长维度。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
data_format='channels_last'
: 形状为 (batch_size, steps, features)
的 3D 张量。data_format='channels_first'
: 形状为 (batch_size, features, steps)
的 3D 张量。输出形状
data_format='channels_last'
: 形状为 (batch_size, downsampled_steps, features)
的 3D 张量。data_format='channels_first'
: 形状为 (batch_size, features, downsampled_steps)
的 3D 张量。