ใช้ AveragePooling2D แทนที่จะเป็น GlobalAveragePooling 2D ต้องการจะแทนที่เป้าหมายของชั้นหลังจากที่ FCN สำหรับการแบ่งประเภท

GlobalAveragePooling2D จะ downsample การนำเข้าข้อมูลจากการฆ่าคนโดยเฉลี่ยนค่าตาม spatial มิติและกลับมาเป็น 1D ผลส่งออกโดยปริยายออกจากคุณตั้งค่า keepdims= True. AveragePooling2D ยัง downsamples การนำเข้าข้อมูลแต่ต้องใช้คนโดยเฉลี่ยนค่ามาเป็นค่าหน้าต่างถูกกำหนดโดยที่ pool_size พารามิเตอร์. ดังนั้นมันจะกลับไปเป็น 3 มิติแสดงผล:

import tensorflow as tf
x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.],
                 [7., 8., 9.]])

x = tf.reshape(x, [1, 3, 3, 1]) # Add batch dimension

avg_pool_2d = tf.keras.layers.AveragePooling2D(pool_size=(2, 2),
   strides=(1, 1), padding='valid')
avg_global_2d = tf.keras.layers.GlobalAveragePooling2D()
print(avg_pool_2d(x).shape)
print(avg_global_2d(x).shape)

(1, 2, 2, 1)
(1, 1)

คุณอาจจะต้องลบรูของคุณส่งออกจาก AveragePooling2D เลเยอร์ถ้าคุณต้องการแหล่งป้อนมันจะเป็น Dense เลเยอร์หลังจากนั้น:

import tensorflow as tf
x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.],
                 [7., 8., 9.]])

x = tf.reshape(x, [1, 3, 3, 1]) # Add batch dimension

avg_pool_2d = tf.keras.layers.AveragePooling2D(pool_size=(2, 2),
   strides=(1, 1), padding='valid')
avg_global_2d = tf.keras.layers.GlobalAveragePooling2D()
print(tf.keras.layers.Flatten()(avg_pool_2d(x)).shape)
print(avg_global_2d(x).shape)

(1, 4)
(1, 1)

ถ้ามันไม่ใช่อย่างนั้นคุณสามารถทิ้งมันไว้อย่างนี้ก็ได้

ปรับปรุง: GlobalAveragePooling2D แล้ว AveragePooling2D สามารถบางครั้งทำตัวเหมือนๆกันถ้าคุณปรับแก้ strides แล้ว pool_size พารามิเตอร์ได้ตามคาด:

import tensorflow as tf
x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.],
                 [7., 8., 9.]])

x = tf.reshape(x, [1, 3, 3, 1]) # Add batch dimension

avg_pool_2d = tf.keras.layers.AveragePooling2D(pool_size=(2, 2),
   strides=(3, 3), padding='valid')
avg_global_2d = tf.keras.layers.GlobalAveragePooling2D()

print(avg_pool_2d(x))
print(avg_global_2d(x))

tf.Tensor([[[[3.]]]], shape=(1, 1, 1, 1), dtype=float32)
tf.Tensor([[5.]], shape=(1, 1), dtype=float32)

หรือ

avg_pool_2d = tf.keras.layers.AveragePooling2D(pool_size=(3, 3),
   strides=(2, 2), padding='valid')
avg_global_2d = tf.keras.layers.GlobalAveragePooling2D()

tf.Tensor([[[[5.]]]], shape=(1, 1, 1, 1), dtype=float32)
tf.Tensor([[5.]], shape=(1, 1), dtype=float32)

เพิ่มไปที่คำตอบชั้นโกลบอลเฉลี่ย pooling สามารถถูกใช้สำหรับพาตัวแปรขนาดภาพต่างๆเป็น inputs. ถ้าข้อมูลรูปร่างก่อนที่โกลบอล pooling คือ (N,H,W,C) งั้นก็ออกจะเป็น (N,1,1,C) สำหรับตอนที่ keras keepdims=True. มันทำให้คนแสดงผลภาพของภาพต่างกัน (H,W) ผลิตที่คล้ายกันรูปร่างแสดงผล.

จะอ้างอิงไปยัง:

• https://stats.stackexchange.com/questions/388859/is-it-possible-to-give-variable-sized-images-as-input-to-a-convolutional-neural