PaddlePaddle

 paddle.nn / functional / adaptive_max_pool3d


adaptive_max_pool3d

paddle.nn.functional. adaptive_max_pool3d ( x, output_size, return_mask=False, name=None ) [源代码]

该算子根据输入 x , output_size 等参数对一个输入Tensor计算3D的自适应最大值池化。输入和输出都是5-D Tensor, 默认是以 NCDHW 格式表示的,其中 N 是 batch size, C 是通道数, D , H , W 是输入特征的深度,高度,宽度.

注解

详细请参考对应的 Class 请参考: AdaptiveMaxPool3D

参数

  • x (Tensor): 当前算子的输入, 其是一个形状为 [N, C, D, H, W] 的5-D Tensor。其中 N 是batch size, C 是通道数, D , H , W 是输入特征的深度,高度,宽度。 其数据类型为float32或者float64。

  • output_size (int|list|tuple): 算子输出特征图的长度,其数据类型为int或list,tuple。

  • return_mask (bool, 可选): 如果设置为True,则会与输出一起返回最大值的索引,默认为False。

  • name (str,可选): 操作的名称(可选,默认值为None)。更多信息请参见 Name

返回

Tensor, 输入 x 经过自适应池化计算得到的目标5-D Tensor,其数据类型与输入相同。

代码示例

# adaptive max pool3d
# suppose input data in the shape of [N, C, D, H, W], `output_size` is [l, m, n]
# output shape is [N, C, l, m, n], adaptive pool divide D, H and W dimensions
# of input data into m*n grids averagely and performs poolings in each
# grid to get output.
# adaptive max pool performs calculations as follow:
#
#     for i in range(l):
#         for j in range(m):
#             for k in range(n):
#                 dstart = floor(i * D / l)
#                 dend = ceil((i + 1) * D / l)
#                 hstart = floor(i * H / m)
#                 hend = ceil((i + 1) * H / m)
#                 wstart = floor(i * W / n)
#                 wend = ceil((i + 1) * W / n)
#             output[:, :, i, j, k] = max(input[:, :, dstart: dend, hstart: hend, wstart: wend])
#

import paddle
x = paddle.rand((2, 3, 8, 32, 32))
# x.shape is [2, 3, 8, 32, 32]
out = paddle.nn.functional.adaptive_max_pool3d(
                x = x,
                output_size=[3, 3, 3])
print(out.shape)
# out.shape is [2, 3, 3, 3, 3]

此页内容是否对您有帮助