python - TensorFlow 中 Max Pooling 2D Layer 的输出张量是什么？

Question

我试图了解有关 tensorflow 的一些基础知识 我在阅读最大池化 2D 层的文档时卡住了:https://www.tensorflow.org/tutorials/layers#pooling_layer_1

这是指定 max_pooling2d 的方式:

pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

其中 conv1 具有形状为 [batch_size, image_width, image_height, channels] 的张量，在本例中具体为 [batch_size, 28, 28, 32 ]。

所以我们的输入是一个张量，其形状为:[batch_size, 28, 28, 32]。

我对最大池化 2D 层的理解是，它将应用大小为 pool_size(在本例中为 2x2)的过滤器，并以 stride(也为 2x2)移动滑动窗口).这意味着图像的 width 和 height 都将减半，即我们最终将得到每个 channel 14x14 像素(总共 32 个 channel )，这意味着我们的输出是形状为张量:[batch_size, 14, 14, 32]。

但是，根据上面的链接，输出张量的形状是[batch_size, 14, 14, 1]:

Our output tensor produced by max_pooling2d() (pool1) has a shape of 
[batch_size, 14, 14, 1]: the 2x2 filter reduces width and height by 50%.

我在这里错过了什么？

32 是如何转换为 1 的？

他们稍后在这里应用相同的逻辑:https://www.tensorflow.org/tutorials/layers#convolutional_layer_2_and_pooling_layer_2

但是这次是正确的，即 [batch_size, 14, 14, 64] 变成了 [batch_size, 7, 7, 64] ( channel 数是一样的).

Answer 1

是的，使用 strides=2x2 的 2x2 max pool 会将数据减少一半，输出深度不会改变。这是我从你给定的测试代码，输出形状是 (14, 14, 32)，也许有什么问题？

#!/usr/bin/env python

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('./MNIST_data/', one_hot=True)

conv1 = tf.placeholder(tf.float32, [None,28,28,32])
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2,2], strides=2)
print pool1.get_shape()

输出是:

Extracting ./MNIST_data/train-images-idx3-ubyte.gz
Extracting ./MNIST_data/train-labels-idx1-ubyte.gz
Extracting ./MNIST_data/t10k-images-idx3-ubyte.gz
Extracting ./MNIST_data/t10k-labels-idx1-ubyte.gz
(?, 14, 14, 32)