概念

池化層（Pooling Layer）是深度學習神經網絡中常用的一種層級結構，用于減小輸入數據的空間尺寸，從而降低模型的計算復雜度，減少過擬合，并且在一定程度上提取輸入數據的重要特征。池化層通常緊跟在卷積層之后，用于縮小卷積層輸出的尺寸。

常見的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）：

最大池化（Max Pooling）： 在最大池化操作中，對于每個池化窗口，輸出的值是窗口內元素的最大值。最大池化有助于保留輸入數據中的顯著特征，同時減少數據的空間維度。

平均池化（Average Pooling）： 在平均池化操作中，對于每個池化窗口，輸出的值是窗口內元素的平均值。平均池化也有助于降低數據的維度，但相較于最大池化，可能會丟失一些局部細節。

代碼實現

import tensorflow as tf# 創建一個輸入張量
input_data = tf.constant([[[[1], [2], [3], [4]],[[5], [6], [7], [8]],[[9], [10], [11], [12]],[[13], [14], [15], [16]]]], dtype=tf.float32)# 進行最大池化操作
max_pooling = tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2), padding='valid')
max_pooled_data = max_pooling(input_data)# 進行平均池化操作
avg_pooling = tf.keras.layers.AveragePooling2D(pool_size=(2, 2), strides=(2, 2), padding='valid')
avg_pooled_data = avg_pooling(input_data)print("原始數據：")
print(input_data.numpy())
print("最大池化后的數據：")
print(max_pooled_data.numpy())
print("平均池化后的數據：")
print(avg_pooled_data.numpy())