池化操作是利用一个矩阵窗口在输入张量上进行扫描，并且每个窗口中的值通过取最大、取平均或其它的一些操作来减少元素个数。池化窗口由ksize来指定，根据strides的长度来决定移动步长。如果strides都是1，每个矩阵窗口都将被使用，如果strides的值都是2，那么每一维度上的窗口每隔1个被使用。
举例：
tf.nn.avg_pool(value, ksize, strides, padding, name=None)
功能：计算池化区域中元素的平均值
输入参数：
value：一个四维的Tensor，维度分别表示[batch, height, width, channels]
ksize：长度不小于4的整形数组，每一维度对应于输入数据张量中每一维的窗口对应值
strides：长度不小于4的整型数组，表示滑动窗口在输入数据张量每一维度上的步长
padding：字符串，取值为SAME或者VALID
输出：一个Tensor，输出维度和value相同
输出数据的维度计算方法：shape(output) = (shape(value) - ksize + 1) / strides
取舍方向取决于：padding的值
padding = 'SAME'：向下取舍，输入和输出维度相同
padding = 'VALID'：向上取舍，输入输出维度不同
1 input_data = tf.Variable(np.random.rand(10, 6, 6, 3), dtype= np.float32) 2 filter_data = tf.Variable(np.random.rand(2, 2, 3, 1), dtype= np.float32) 3 y = tf.nn.conv2d(input_data, filter_data, strides =[1,1,1,1], padding='SAME') 4 output = tf.nn.avg_pool(value=y, ksize=[1,2,2 ,1], strides=[1,2,2,1], padding='SAME') 5 with tf.Session() as sess: 6 init = tf.initialize_all_variables() 7 sess.run(init) 8 a = sess.run(y) 9 b = sess.run(output) 10 print (a) 11 print (b)
其中，a的维度：（10，6，6，1），b的维度：（10，3，3，1），b的维度计算方法：由于池化时ksize是2×2，原来张量为6×6，移动步长为2，
所以最后池化后的张量为（6-2+1）/2=2.5，此时公式不适用。我自己的算法：1+（6-2）/2 = 3