AveragePooling3D, 3 boyutlu veriler için ortalama havuzlama işlemidir.

Genellille Conv3D evrişim katmanından sonra oluşan tensörlerden (giriş boyutu x giriş yüksekliği x giriş kanalları) giriş boyutu ve giriş yüksekliği değerlerinden ortalama değerin seçilmesi anlamına gelmektedir.

Kullanılabilmesi için "AveragePooling3D" kütüphanesinin içe aktarılması gerekmektedir.

from tensorflow.keras.layers import AveragePooling3D

Söz dizimi: AveragePooling3D(pool_size=(2,2,2), strides=None, padding="valid", data_format="channels_last", **kwargs)

• pool_size, ortalama 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 AveragePooling3D ile ortlama havuzlama işlemi uygulayalım.

from tensorflow.keras.layers import Dense,Conv3D,AveragePooling3D
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)))

#AveragePooling3D katmanı eklenir
model.add(AveragePooling3D())

#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 AveragePooling3D katmanında (28,28,28,20) olan girdi boyutu katmanın pool_size değeri(havuzlama penceresi boyutu) (2,2,2) olduğu için bu alanların ortalama değerini alacak ve çıktı boyutu (14,14,14,20) olarak sonuçlanacaktır.

Örnek-2: Bir liste elemanlarına AveragePooling3D ile ortalama havuzlama işlemi uygulayalım ve sonuçları gözlemleyelim.

import tensorflow as tf
from tensorflow.keras.layers import AveragePooling3D
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("######################")

#AveragePooling3D tanımlanır
output_=AveragePooling3D(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(
[[[[[11.]
    [13.]
    [17.]
    [ 3.]]

   [[15.]
    [19.]
    [13.]
    [12.]]

   [[17.]
    [19.]
    [13.]
    [17.]]

   [[13.]
    [ 9.]
    [16.]
    [ 4.]]]


  [[[ 8.]
    [17.]
    [10.]
    [13.]]

   [[ 2.]
    [11.]
    [12.]
    [19.]]

   [[13.]
    [ 7.]
    [ 7.]
    [ 9.]]

   [[15.]
    [18.]
    [11.]
    [15.]]]


  [[[16.]
    [18.]
    [ 5.]
    [ 5.]]

   [[ 5.]
    [ 2.]
    [ 9.]
    [15.]]

   [[ 1.]
    [ 5.]
    [ 2.]
    [12.]]

   [[15.]
    [10.]
    [13.]
    [ 5.]]]


  [[[10.]
    [ 7.]
    [18.]
    [ 4.]]

   [[ 1.]
    [ 3.]
    [13.]
    [11.]]

   [[ 5.]
    [ 3.]
    [10.]
    [ 6.]]

   [[ 6.]
    [ 2.]
    [14.]
    [ 2.]]]]], shape=(1, 4, 4, 4, 1), dtype=float64)
######################
Çıktı boyutu: (1, 2, 2, 2, 1)
Çıktı: tf.Tensor(
[[[[[12.   ]
    [12.375]]

   [[13.875]
    [11.5  ]]]


  [[[ 7.75 ]
    [10.   ]]

   [[ 5.875]
    [ 8.   ]]]]], shape=(1, 2, 2, 2, 1), dtype=float32)