参考目录：

• 1 池化层

• 1.1 最大池化层

• 1.2 平均池化层

• 1.3 全局最大池化层

• 1.4 全局平均池化层

• 2 Normalization

• 2.1 BN

• 2.2 LN

1 池化层

和卷积层相对应，每一种池化层都有1D,2D,3D三种类型，这里主要介绍2D处理图像的一个操作。1D和3D可以合理的类推。

1.1 最大池化层

tf.keras.layers.MaxPooling2D(
    pool_size=(2, 2), strides=None, padding="valid", data_format=None, **kwargs
)

这个strides在默认的情况下就是步长为2 下面看个例子：

import tensorflow as tf
x = tf.random.normal((4,28,28,3))
y = tf.keras.layers.MaxPooling2D(
    pool_size=(2,2))
print(y(x).shape)
>>> (4, 14, 14, 3)

如果你把strides改成1：

import tensorflow as tf
x = tf.random.normal((4,28,28,3))
y = tf.keras.layers.MaxPooling2D(
    pool_size=(2,2),
    strides = 1)
print(y(x).shape)
>>> (4, 27, 27, 3)

如果再把padding改成‘same’:

import tensorflow as tf
x = tf.random.normal((4,28,28,3))
y = tf.keras.layers.MaxPooling2D(
    pool_size=(2,2),
    strides = 1,
    padding='same')
print(y(x).shape)
>>> (4, 28, 28, 3)

这个padding默认是'valid'，一般strides为2，padding是valid就行了。

1.2 平均池化层

和上面的最大池化层同理，这里就展示一个API就不再多说了。

tf.keras.layers.AveragePooling2D(
    pool_size=(2, 2), strides=None, padding="valid", data_format=None, **kwargs
)

1.3 全局最大池化层

tf.keras.layers.GlobalMaxPooling2D(data_format=None, **kwargs)

这个其实相当于pool_size等于特征图尺寸的一个最大池化层。看一个例子：

import tensorflow as tf
x = tf.random.normal((4,28,28,3))
y = tf.keras.layers.GlobalMaxPooling2D()
print(y(x).shape)
>>> (4, 3)

可以看到，一个通道只会输出一个值，因为我们的输入特征图的尺寸是，所以这里的全局最大池化层等价于pool_size=28的最大池化层。

1.4 全局平均池化层

与上面的全局最大池化层等价。

tf.keras.layers.GlobalAveragePooling2D(data_format=None, **kwargs)

2 Normalization

Keras官方只提供了两种Normalization的方法，一个是BatchNormalization，一个是LayerNormalization。虽然没有提供InstanceNormalization和GroupNormalization的方法，我们可以通过修改BN层的参数来构建。

2.1 BN

tf.keras.layers.BatchNormalization(
    axis=-1,
    momentum=0.99,
    epsilon=0.001,
    center=True,
    scale=True,
    beta_initializer="zeros",
    gamma_initializer="ones",
    moving_mean_initializer="zeros",
    moving_variance_initializer="ones",
    beta_regularizer=None,
    gamma_regularizer=None,
    beta_constraint=None,
    gamma_constraint=None,
    renorm=False,
    renorm_clipping=None,
    renorm_momentum=0.99,
    fused=None,
    trainable=True,
    virtual_batch_size=None,
    adjustment=None,
    name=None,
    **kwargs
)

我们来详细讲解一下参数：

• axis：整数。表示哪一个维度是通道数维度，默认是-1，表示是最后一个维度。如果之前设置了channels_first,那么需要设置axis=1.
• momentum：当training过程中，Batch的均值方差会根据batch计算出来，在预测或者验证的时候，这个均值方差是采用training过程中计算出来的滑动均值和滑动方差的。具体的计算过程是：
• epsilon:一个防止运算除法除以0的一个极小数，一般不做修改；
• center：True的话，则会有一个可训练参数beta，也就是beta均值的这个offset；如果是False的话，这个BN层则退化成以0为均值，gamma为标准差的Normalization。默认是True，一般不做修改。
• scale：与center类似，默认是True。如果是False的话，则不使用gamma参数，BN层退化成以beta为均值，1为标准差的Normalization层。
• 其他都是初始化的方法和正则化的方法，一般不加以限制，使用的方法在上节课也已经讲解了，在此不加赘述。

这里需要注意的一点是，keras的API中并没有像PyTorch的API中的这个参数group，这样的话，就无法衍生成GN和InstanceN层了，在之后的内容，会在Tensorflow_Addons库中介绍

2.2 LN

tf.keras.layers.LayerNormalization(
    axis=-1,
    epsilon=0.001,
    center=True,
    scale=True,
    beta_initializer="zeros",
    gamma_initializer="ones",
    beta_regularizer=None,
    gamma_regularizer=None,
    beta_constraint=None,
    gamma_constraint=None,
    trainable=True,
    name=None,
    **kwargs
)

参数和BN的参数基本一致。直接看一个例子：

import tensorflow as tf
import numpy as np
x = tf.constant(np.arange(10).reshape(5,2)*10,
                dtype=tf.float32)
print(x)
y = tf.keras.layers.LayerNormalization(axis=1)
print(y(x))

运行结果为：

tf.Tensor(
[[ 0. 10.]
 [20. 30.]
 [40. 50.]
 [60. 70.]
 [80. 90.]], shape=(5, 2), dtype=float32)
tf.Tensor(
[[-0.99998  0.99998]
 [-0.99998  0.99998]
 [-0.99998  0.99998]
 [-0.99998  0.99998]
 [-0.99998  0.99998]], shape=(5, 2), dtype=float32)

我在之前的文章中已经介绍过了LN，BN，GN，IN这几个归一化层的详细原理，不了解的可以看本文最后的相关链接中找一找。

– END –