使用tf.reduce\u sum（lastconv，axis=2）/tf.reduce\u sum（tf.cast（tf.greater（lastconv，0），tf.float32），axis=2）代替平均池？

Question

我正在研究眼轨迹数据和卷积神经网络。 我被要求用tf.reduce_max(lastconv, axis=2)代替MaxPooling层，用tf.reduce_sum(lastconv,axis=2) / tf.reduce_sum(tf.cast(tf.greater(lastconv, 0), tf.float32), axis=2)代替MeanPooling层

我有以下问题，我无法弄清楚。如果你能让我明白那就太好了

1. reduce\u max函数的内部计算是否与常规MaxPool层相同？两者的输出在维度上是不同的，为什么呢？我不太明白为什么
2. 为什么我们不能用tf.reduce_mean函数来实现MeanPooling，就像tf.reduce_max是如何用于MaxPooling的
3. tf.reduce_sum(lastconv,axis=2) / tf.reduce_sum(tf.cast(tf.greater(lastconv, 0), tf.float32), axis=2)这是如何作为一个平均池计算方式工作的，它有什么不同tf.reduce_mean

我确信你可以看出我不明白reduce_max/min/mean/sum在输入张量时做了什么，模型从这些函数中带走了什么

关于数据：数据的形状是（24,4,15,287236），其中24个是被试，4个温度变化和15个轨迹，2x87236是连续的眼睛注视（2个是因为x轴和y轴）。我使用的是LeaveOneOut简历，我对22个科目进行了培训，并对每个科目进行了测试和验证

在创建训练集、验证集和测试集之后，模型中的最终输入分别是（22,60[4x15]，287236），（1,60,287236）和（1,60,287236）

我希望我已经提供了足够的关于我所处困境的信息，供你帮助我走出困境。提前谢谢

Answer 1

reduce\u max取整个尺寸的最大值，因此，例如，如果dim=1，它将减小

[[1,2,3],
 [2,1,3],
 [1,4,0]]

至

[3,3,4]

另一方面，Max pooling在某些移位窗口中查看最大值，参见https://computersciencewiki.org/index.php/Max-pooling_/_Pooling。这里的主要区别是窗户的形状。其中reduce_max表示窗口是张量的一整片，max pooling表示某个指定的矩形。这也会导致不同的维度（要真正理解这一点，可以看看如果在reduce\u max中使用keepdims=True会发生什么）

替换meanpooling层似乎不采用算术平均值，而是除以正元素数（与一般元素数相反）。这可能就是为什么你不能用减法