在将Keras用于LSTM模型时，何时使用GlobalAveragePooling1D以及何时使用GlobalMaxPooling1D？

Question

我必须为某些文本创建LSTM分类模型，并且在使用keras时，在合并层中的GlobalAveragePooling1D和GlobalMaxPooling1D之间感到困惑。在决定一种特定选择时，我应该使用哪一种，以及要考虑哪些事项。

Answer 1

这取决于很多关于您的数据，你从它想要的东西。这是测试是唯一肯定答案的情况之一。

例如，如果要检测序列中是否存在某物，则最大池化似乎是一个不错的选择。

但是，如果整个序列的贡献对您的结果似乎很重要，那么平均合并听起来就很合理。

现在，由于您正在使用LSTM层，因此也许应该return_sequences=False在最后一个LSTM层中使用。这也有可能代替合并。这将仅保留序列的最后一步。处理整个序列可能有好处，也许会对您的结果产生累积影响。

在所有情况下，测试都是唯一的最终答案。