Derin Öğrenme (Deep Learning) - Havuzlama Katmanları (Pooling Layers)
MaxPooling2D
MaxPooling2D, 2 boyutlu veriler için maksimum havuzlama işlemidir.
Genellille Conv2D evrişim katmanından sonra oluşan tensörlerden (giriş boyutu x giriş yüksekliği x giriş kanalları) giriş boyutu ve giriş yüksekliği değerlerinden maksimum değerin seçilmesi anlamına gelmektedir.
Kullanılabilmesi için "MaxPooling2D" kütüphanesinin içe aktarılması gerekmektedir.
from tensorflow.keras.layers import MaxPooling2D
Söz dizimi: MaxPooling2D(pool_size=(2,2), strides=None, padding="valid", data_format="channels_last", **kwargs)
- pool_size, maksimum havuzlama penceresinin boyutunu temsil eder. Tam sayı değeri alır.
- strides, havuzlama penceresinin ne kadar adımda hareket ettiğini temsil eder, tam sayı değeri alır. (Örn:(1,1))
- padding, dolgu olup olmayacağını temsil eder. 2 farklı değer alır; "valid", "same" dır. Varsayılan olarak "valid" dir.
- valid, dolgu olmadığını temsil eder.
- same, çıktının girdi ile aynı yükseklik/genişlik boyutuna sahip olması için girdinin sağına/soluna veya yukarısınıa/aşağısına eşit olarak sıfır ekler.
- data_format, bir veri formatından diğerine geçerken ağırlık sırasını korumak için esas olarak giriş boyutlarını sıralamak için kullanılır. İki farklı değer alabilir: "channels_last","channels_first". Varsayılan olarak "channels_last"dir.
Örnek-1: Bir model oluşturarak Conv2D katmanından sonra MaxPooling2D ile maksimum havuzlama işlemi uygulayalım.
from tensorflow.keras.layers import Dense,Conv2D,MaxPooling2D
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import plot_model
#Model tanımlanır.
model=Sequential()
#Giriş katmanı("input_shape" ile) ve giriş katmanı sonrasında Conv2D katmanı modele eklenir.
model.add(Conv2D(filters=20,
kernel_size=(3,3),
strides=(1,1),
padding="same",
activation="relu",
input_shape=(28,28,1)))
#MaxPooling2D katmanı eklenir
model.add(MaxPooling2D())
#1.Gizli katman modele eklenir.
model.add(Dense(units=6,activation="relu"))
#Çıkış katmanı eklendi
model.add(Dense(units=1,activation="sigmoid"))
Modelin grafiğini inceleyelim;
plot_model(model,show_shapes=True)
Çıktı:
Yukarıdaki grafikden de görüldüğü üzere MaxPooling2D katmanında (28,28,20) olan girdi boyutu katmanın pool_size değeri(havuzlama penceresi boyutu) (2,2) olduğu için bu alanların maksimum değerini alacak ve çıktı boyutu (14,14,20) olarak sonuçlanacaktır.
Örnek-2: Bir liste elemanlarına MaxPooling2D ile maksimum havuzlama işlemi uygulayalım ve sonuçları gözlemleyelim.
import tensorflow as tf
from tensorflow.keras.layers import MaxPooling2D
import numpy as np
#Liste tanımlanır
myList=np.random.randint(1,20,(1,4,4,1))
input_=tf.convert_to_tensor(myList)
print("Girdi boyutu:",input_.shape)
print("Girdi:",input_)
print("######################")
#MaxPooling2D tanımlanır
output_=MaxPooling2D(pool_size=(2,2))(input_)
print("Çıktı boyutu:",output_.shape)
print("Çıktı:",output_)
Çıktı:
Girdi boyutu: (1, 4, 4, 1) Girdi: tf.Tensor( [[[[ 3] [ 9] [13] [13]] [[11] [14] [15] [11]] [[15] [ 4] [ 4] [ 2]] [[12] [19] [ 1] [17]]]], shape=(1, 4, 4, 1), dtype=int32) ###################### Çıktı boyutu: (1, 2, 2, 1) Çıktı: tf.Tensor( [[[[14] [15]] [[19] [17]]]], shape=(1, 2, 2, 1), dtype=int32)