maxout¶

paddle.nn.functional. maxout ( x, groups, axis=1, name=None ) [源代码] ¶

maxout激活层.

假设输入形状为(N, Ci, H, W)，输出形状为(N, Co, H, W)，则 \(Co=Ci/groups\) 运算公式如下:

\[\begin{split}&out_{si+j} = \max_{k} x_{gsi + sk + j} \\ &g = groups \\ &s = \frac{input.size}{num\_channels} \\ &0 \le i < \frac{num\_channels}{groups} \\ &0 \le j < s \\ &0 \le k < groups\end{split}\]

参数:¶

x (Tensor) - 输入是形状为 \([N, C, H, W]\) 或 \([N, H, W, C]\) 的4-D Tensor，N是批尺寸，C是通道数，H是特征高度，W是特征宽度，数据类型为float32或float64。

groups (int) - 指定将输入张量的channel通道维度进行分组的数目。输出的通道数量为通道数除以组数。

axis (int, 可选) - 指定通道所在维度的索引。当数据格式为NCHW时，axis应该被设置为1，当数据格式为NHWC时，axis应该被设置为-1或者3。默认值为1。

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 ，数据类型同 x 一致。

代码示例¶

import paddle
import paddle.nn.functional as F

x = paddle.rand([1, 2, 3, 4])
# [[[[0.5002636  0.22272532 0.17402348 0.2874594 ]
#    [0.95313174 0.6228939  0.7129065  0.7087491 ]
#    [0.02879342 0.88725346 0.61093384 0.38833922]]
#   [[0.5231306  0.03807496 0.91661984 0.15602879]
#    [0.666127   0.616567   0.30741522 0.24044901]
#    [0.7142536  0.7351477  0.31588817 0.23782359]]]]
out = F.maxout(x, groups=2)
# [[[[0.5231306  0.22272532 0.91661984 0.2874594 ]
#    [0.95313174 0.6228939  0.7129065  0.7087491 ]
#    [0.7142536  0.88725346 0.61093384 0.38833922]]]]

PaddlePaddle

paddle.nn / functional / maxout

maxout¶

参数:¶

返回¶

代码示例¶

PaddlePaddle

paddle

paddle.amp

paddle.callbacks

paddle.compat

paddle.distributed

paddle.distribution

paddle.fluid

paddle.io

paddle.jit

paddle.metric

paddle.nn

paddle.onnx

paddle.optimizer

paddle.regularizer

paddle.static

paddle.sysconfig

paddle.text

paddle.utils

paddle.vision

paddle.nn / functional / maxout

maxout¶

参数:¶

返回¶

代码示例¶