tf.nn.max_pool池化操作

tf.nn.max_pool(value,ksize,strides,padding,name=None)

参数是四个，和卷积很类似：

第一个参数value: 需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape

第二个参数ksize:池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1

第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1,stride,stride,1]

第四个参数padding： 和卷积类似，可以取'VALID' 或者'SAME'

返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式

示例源码：

假设有这样一张图，双通道

第一个通道：

第二个通道：

import tensorflow as tf 
a=tf.constant([        
	[[1.0,2.0,3.0,4.0],        
	[5.0,6.0,7.0,8.0],        
	[8.0,7.0,6.0,5.0],        
	[4.0,3.0,2.0,1.0]],        
	[[4.0,3.0,2.0,1.0],         
	[8.0,7.0,6.0,5.0],         
	[1.0,2.0,3.0,4.0],         
	[5.0,6.0,7.0,8.0]]    
	])
	
a=tf.reshape(a,[1,4,4,2]) 

pooling=tf.nn.max_pool(a,[1,2,2,1],[1,1,1,1],padding='VALID')
with tf.Session() as sess:    
	print("image:")    
	image=sess.run(a)    
	print (image)    
	print("reslut:")    
	result=sess.run(pooling)    
	print (result)

这里步长为1，窗口大小为2x2，输出结果为：

image:
[[[[ 1.  2.]   
	[ 3.  4.]   
	[ 5.  6.]  
	[ 7.  8.]]  
  
	[[ 8.  7.]  
	[ 6.  5.] 
	[ 4.  3.]  
	[ 2.  1.]] 
  
	[[ 4.  3.] 
	[ 2.  1.]  
	[ 8.  7.]  
	[ 6.  5.]] 
  
	[[ 1.  2.]  
	[ 3.  4.]  
	[ 5.  6.] 
	[ 7.  8.]]]]
reslut:
[[[[ 8.  7.] 
	[ 6.  6.]  
	[ 7.  8.]]  
  
	[[ 8.  7.]    
	[ 8.  7.] 
	[ 8.  7.]] 
  
	[[ 4.  4.] 
	[ 8.  7.]  
	[ 8.  8.]]]]

池化后的图就是：

结果是正确的。