在这个文章里，将通过数据的变化，来演示卷积神经网络中最大池化（MaxPooling），

最大池化（MaxPooling）是卷积神经网络的第二步，

而本文的目的仅仅只是为了说明ksize、strides与padding参数


在 TensorFlow实例(5.3)--MNIST手写数字进阶算法(卷积神经网络CNN) 文章中，

第一层经网络用到下列句子

tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

第二个参数x,为传入量，也就是卷积神经网络的第一步卷积(Convolution)的输出量

x的shape必须为[batch, height, width, channels]，

batch：在卷积的传入量可能是一张图片，也可能是N张图片，这里可以理解为图片数量，后面的例子都为1

height：图片的高度

width：图片的宽度

channels：通道数量，在Mnist中的第一步卷积，产生的是32个通道数量

本文的目的只是为了讲解MaxPooling，而不是神经网络，因为我会用一个函数构建x


第二个参数ksize：池化窗口的大小，shape也是[batch, height, width,channels]，

在batch和channels上我们都设为1，当后面理解了height, width所代表的意思，batch和channels也就明白了


第三个参数strides：步长，一般也是[1, stride,stride, 1]，参数和ksize差不多，功能不同



第四个参数padding：只能取'VALID' 或者'SAME'这两个值，但有什么差别，在后面的例子中演示



# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
def createData(height,width,channels):
    ''' 辅助函数一
    为了能更清晰的演示，建立这个函数，目的创建数据，即第一个参数x
    因为多张图片的传入量不好表示，batch值就固定为1
    返回值类型为numpy.array  
    '''
    size=height*width
    tmp=[]
    for i in range(size):
        item=[]
        for j in range(channels):
            item.append(j*size+i+1)
        tmp.append(item)
    tmp=np.array([tmp]).reshape(-1,height,width,channels)
    return tmp

def printData(npArr,message=""):
    '''辅助函数二
    打印出图片数据
    多通道图片都是模排显示，如果宽度及通道数太大，
    会每行宽度的原因自动换行，
    '''
    npArr=npArr[0]
    print("-"*40 + " 开始:"+message)
    print("图像信息：高：%d； 宽：%d； 通道：%d。以下为图像数据"%(len(npArr),len(npArr[0]),len(npArr[0][0])))
    print("");
    for i in npArr:
        tmp=i.T
        strtmp='';
        for j in tmp:
            strItem=''.join([x.rjust(4) for x in j.astype(np.str).tolist()])
            strtmp=strtmp+("" if strtmp=='' else " |")+strItem
        print(strtmp)
    print("-"*40 + " 结束："+message)
    print("")


def max_pool(data,ksize,strides,padding):
    '''辅助函数三，目的是最大池化后返回numpy.array'''
    tmp=tf.nn.max_pool(data,ksize=ksize,strides=strides,padding=padding)
    return tf.Session().run(tmp)

#printData(createData(3,4,2));#测试以上两个函数结果如下：用|分割每个通道
   #1   2   3   4 |  13  14  15  16
   #5   6   7   8 |  17  18  19  20
   #9  10  11  12 |  21  22  23  24

#以下代码不再列出计算结果，要不整个代码显示很零散，自行运行后理解
data=createData(4,7,2)
printData(data,'案例一数据构建')

pool=max_pool(data,ksize=[1,2,2,1],strides=[1,1,1,1],padding="SAME")
printData(pool,"设置ksize值，可以看到每个通到都从图片的(2,2)的位值开始取值")

pool=max_pool(data,ksize=[1,1,1,1],strides=[1,2,2,1],padding="SAME")
printData(pool,"设置strides步长值，ksize从图片的(1,1) 每隔两位取值")
#从步长的取值，就可以知道，图片的缩放是由strides这个参数决定的

pool=max_pool(data,ksize=[1,2,2,1],strides=[1,3,3,1],padding="SAME")
printData(pool,"请先自行验证你推出的数据是否与显示的相同")

#错了吧，
#如最开始的 
# 9  12  14 |  37  40  42
#23  26  28 |  51  54  56

#data中宽为 7 ,步长为3，所以应该 取3个值  int(7/3)+1=3  整除就不有+1了
#               因为我们从2位开始取，，第3个值应该是8，超出了宽，第3个值就用最后一列补
#同理
#高为4 ，步长为3，取2个值，从2行开始取，第2个值应取第5行，超出了高，第2个值就用最后一行补


pool=max_pool(data,ksize=[1,2,2,1],strides=[1,3,3,1],padding="VALID")
printData(pool,"这才是你算出来的值，VALID简单的说就是超出不补")


data=createData(2,2,6)
printData(data,'案例二简单试试通道')
#注意，通道的取值方式和高宽一致但有地方不同
#1、当ksize中的channel=1，一定是取全部通道，
#2、padding没有什么用

#当ksize中的  channel!=1  时两个条件，
#1、输入的通道数 能整除ksize中的channel, 即12 mod 2=0
#2、产生的ksize中的channel，与 strides 中channel必须相同
pool=max_pool(data,ksize=[1,1,1,2],strides=[1,1,1,2],padding="SAME")
printData(pool)