Tensorflow提供了平均池化和最大池化的操作，但没有最小池化的操作。

有没有什么方法可以绕过这个问题来实现最小池化呢？

回答：

我们可以用这种方式手动重现最大池化…

x = np.random.uniform(0,1, (5,30,30,3)).astype('float32')n_channel = x.shape[-1]patches = tf.image.extract_patches(x,                                    sizes = [1, 3, 3, 1],                                    strides = 4*[1],                                    rates = 4*[1],                                    padding = 'VALID')channel_pool = [tf.reduce_max(patches[:,:,:,c::n_channel], keepdims=True, axis=-1) for c in range(n_channel)]res = tf.concat(channel_pool, axis=-1)tf.reduce_all(res == MaxPool2D(pool_size=(3, 3), strides=(1,1), padding="valid")(x)) ## TRUE !!! 

根据上面的例子，我们可以简单地使用tf.reduce_min来切换到最小池化

def min_pool(x):    n_channel = x.shape[-1]    patches = tf.image.extract_patches(x,                                        sizes = [1, 3, 3, 1],                                        strides = 4*[1],                                        rates = 4*[1],                                        padding = 'VALID')    channel_pool = [tf.reduce_min(patches[:,:,:,c::n_channel], keepdims=True, axis=-1) for c in range(n_channel)]    return tf.concat(channel_pool, axis=-1)

我们可以将整个过程包装在一个Lambda层中，以便在keras模型中使用：Lambda(min_pool)(x)