Keras MaxPooling1D와 GlobalMaxPooling1D 기능의 차이점은 무엇입니까?

Question

MaxPooling1D 및 GlobalMaxPooling1D는 모두 시간 데이터에 대한 최대 풀링 연산으로 설명됩니다.

keras.layers.pooling.MaxPooling1D(pool_size=2, strides=None, padding='valid')

나는 GlobalMaxPooling1D가 입력 된 매개 변수를 사용하지 않는 것으로 알고 있습니다. keras.layers.pooling.GlobalMaxPooling1D()

두 가지가 어떻게 작동 방식이 다른지 시각적으로 이해하고 싶습니다.

Answer 1

Td; lrGlobalPooling1D (시간 데이터 용)은 단계 차원에서 최대 벡터를 취합니다. 따라서 형태가있는 텐서 [10, 4, 10]는 글로벌 풀링 후 형태가 [10, 10] 인 텐서가됩니다. MaxPooling1D도 단계에 대해 최대 값을 갖지만 각 보폭에 대해 pool_size로 제한됩니다. 그래서는 [10, 4, 10] pooling_size=2 및 stride=1와 텐서는

우리가 3 간단한 문장을 말할 수 있습니다 그래픽 도움으로 MaxPooling(pooling_size=2, stride=1)

긴 대답 후 [10, 3, 10] 텐서이다 단어에 대한 벡터 인코딩이 있습니다 (예 : word2vec embeddings). 당연히 당신은 정상적으로 풀을 풀고 Tensor를 포함시키지 않을 것입니다.하지만 이것은 예제를 위해해야합니다. 또한 글로벌 풀링은 여러 채널에서 작동하지만이 그림에서 빠져 나갈 것입니다. 마지막으로, 패딩을 사용하면 약간 더 복잡해 지지만 여기서도 필요하지 않습니다.

가정하자 우리 maxPooling1D(pool_size=2, strides=1).이어서

the [[.7, -0.2, .1] | pool size is two     
boy [.8, -.3, .2] | so look at two words at a time | stride=1 will 
will [.2, -.1, .4]  and take the max over those  | move the pool down 
live [.4 -.4, .8]] 2 vectors. Here we looking   1 word. Now we look 
          'the' and 'boy'.    'boy' and 'will' and 
                  take the max. 

는 그래서이 될 것이다가 [1, 3,3]로 텐서 ㄱ 2D 풀 위에 최대 인 각 시간 단계. 그리고 우리는 3 개의 풀을 가지고 있으므로 우리의 시간 단계를 4에서 3으로 효과적으로 다운 샘플링했습니다.

그러나 GlobalPooling1D을 사용하면 해당 문장의 최대 벡터 (Tensor)가 사용됩니다.이 벡터는 아마도 ' 살고 있다'. 내가 무엇을 명확히하기 위해 실제로

가, 여기에 GlobalMaxPooling1D가 도움이 keras

class GlobalMaxPooling1D(_GlobalPooling1D): 
    """Global max pooling operation for temporal data. 
    # Input shape 
     3D tensor with shape: `(batch_size, steps, features)`. 
    # Output shape 
     2D tensor with shape: 
     `(batch_size, channels)` 
    """ 

    def call(self, inputs): 
     return K.max(inputs, axis=1) 

희망에 정의하는 방법, 문의하시기 바랍니다. 좋은 설명입니다

import numpy as np 
from keras.models import Sequential 
from keras.layers import Dense, LSTM, MaxGlobalMaxPooling1D 

D = np.random.rand(10, 6, 10) 

model = Sequential() 
model.add(LSTM(16, input_shape=(6, 10), return_sequences=True)) 
model.add(MaxPooling1D(pool_size=2, strides=1)) 
model.add(LSTM(10)) 
model.add(Dense(1)) 
model.compile(loss='binary_crossentropy', optimizer='sgd') 

# print the summary to see how the dimension change after the layers are 
# applied 

print(model.summary()) 

# try a model with MaxGlobalPooling1D now 

model = Sequential() 
model.add(LSTM(16, input_shape=(6, 10), return_sequences=True)) 
model.add(GlobalMaxPooling1D()) 
model.add(Dense(1)) 
model.compile(loss='binary_crossentropy', optimizer='sgd') 

print(model.summary())