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。