如何为2D数据添加池化层？GlobalAveragePooling2D后遇张量维度问题

你不需要自定义层，用Keras自带的层就能实现需求，以下是几种高效的实现方式：

方法1：Reshape + MaxPooling2D #

先把GlobalAveragePooling2D输出的2D张量转成4D，用MaxPooling2D完成维度压缩后再转回来：

x_temp = conv_base2(input_temp)
x_temp = tf.keras.layers.GlobalAveragePooling2D()(x_temp)  
# 将(None, 1536)转为(None, 2, 768, 1)，适配MaxPooling2D的4D输入要求
x_temp = tf.keras.layers.Reshape((2, 768, 1))(x_temp)
# 在第1维度做池化，把2维压缩为1维
x_temp = tf.keras.layers.MaxPooling2D(pool_size=(2, 1), padding="valid")(x_temp)
# 转回(None, 768)的2D张量
x_temp = tf.keras.layers.Reshape((768,))(x_temp)

方法2：Reshape + MaxPool1D #

用1D池化更贴合当前的特征维度场景，步骤更直观：

x_temp = conv_base2(input_temp)
x_temp = tf.keras.layers.GlobalAveragePooling2D()(x_temp)  
# 转为3D张量(None, 1536, 1)，适配MaxPool1D的输入要求
x_temp = tf.keras.layers.Reshape((1536, 1))(x_temp)
# 以窗口大小2做1D最大池化，直接把1536维压缩到768维
x_temp = tf.keras.layers.MaxPool1D(pool_size=2, strides=2, padding="valid")(x_temp)
# 转回2D张量
x_temp = tf.keras.layers.Reshape((768,))(x_temp)

方法3：Lambda层直接分组取最大值 #

如果你的需求本质是把1536维特征分成两组、每组取最大值，用Lambda层可以一步完成，不需要额外的池化层：

x_temp = conv_base2(input_temp)
x_temp = tf.keras.layers.GlobalAveragePooling2D()(x_temp)  
# 把特征张量reshape为(None, 2, 768)，沿第1维度取最大值得到(None, 768)
x_temp = tf.keras.layers.Lambda(lambda x: tf.reduce_max(tf.reshape(x, (-1, 2, 768)), axis=1))(x_temp)

以上三种方法都能实现你想要的维度变化，且都是基于Keras原生层，稳定性和兼容性更好，不需要自定义层。

内容的提问来源于stack exchange，提问作者Pepeeeee