Derin Öğrenme (Deep Learning) - Havuzlama Katmanları (Pooling Layers)
MaxPooling3D
MaxPooling3D, 3 boyutlu veriler için maksimum havuzlama işlemidir.
Genellille Conv3D 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 "MaxPooling3D" kütüphanesinin içe aktarılması gerekmektedir.
from tensorflow.keras.layers import MaxPooling3D
Söz dizimi: MaxPooling3D(pool_size=(2,2,2), 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:(1,1,1))
- 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 Conv3D katmanından sonra MaxPooling3D ile maksimum havuzlama işlemi uygulayalım.
from tensorflow.keras.layers import Dense,Conv3D,MaxPooling3D
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 Conv3D katmanı modele eklenir.
model.add(Conv3D(filters=20,
kernel_size=(3,3,3),
strides=(1,1,1),
padding="same",
activation="relu",
input_shape=(28, 28, 28, 1)))
#MaxPooling3D katmanı eklenir
model.add(MaxPooling3D())
#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 MaxPooling3D katmanında (28,28,28,20) olan girdi boyutu katmanın pool_size değeri(havuzlama penceresi boyutu) (2,2,2) olduğu için bu alanların maksimum değerini alacak ve çıktı boyutu (14,14,14,20) olarak sonuçlanacaktır.
Örnek-2: Bir liste elemanlarına MaxPooling3D ile maksimum havuzlama işlemi uygulayalım ve sonuçları gözlemleyelim.
import tensorflow as tf
from tensorflow.keras.layers import MaxPooling3D
import numpy as np
#Liste tanımlanır
myList=np.random.randint(1,20,(1,4,4,4,1)).astype("float")
input_=tf.convert_to_tensor(myList)
print("Girdi boyutu:",input_.shape)
print("Girdi:",input_)
print("######################")
#MaxPooling3D tanımlanır
output_=MaxPooling3D(pool_size=(2,2,2))(input_)
print("Çıktı boyutu:",output_.shape)
print("Çıktı:",output_)
Çıktı:
Girdi boyutu: (1, 4, 4, 4, 1) Girdi: tf.Tensor( [[[[[ 5.] [ 1.] [15.] [11.]] [[ 4.] [19.] [10.] [ 3.]] [[13.] [ 8.] [14.] [ 1.]] [[12.] [ 1.] [ 5.] [ 1.]]] [[[11.] [11.] [ 4.] [ 3.]] [[ 7.] [ 1.] [ 5.] [15.]] [[12.] [12.] [18.] [16.]] [[ 5.] [11.] [14.] [13.]]] [[[17.] [ 7.] [12.] [11.]] [[ 1.] [17.] [ 3.] [15.]] [[13.] [ 9.] [ 2.] [ 8.]] [[16.] [11.] [17.] [19.]]] [[[14.] [18.] [13.] [11.]] [[16.] [10.] [12.] [ 6.]] [[ 5.] [ 4.] [ 6.] [ 2.]] [[ 4.] [ 7.] [ 6.] [11.]]]]], shape=(1, 4, 4, 4, 1), dtype=float64) ###################### Çıktı boyutu: (1, 2, 2, 2, 1) Çıktı: tf.Tensor( [[[[[19.] [15.]] [[13.] [18.]]] [[[18.] [15.]] [[16.] [19.]]]]], shape=(1, 2, 2, 2, 1), dtype=float32)