adaptive_pool3d

  • paddle.fluid.layers.adaptive_pool3d(input, pool_size, pool_type='max', require_index=False, name=None)[源代码]

该OP使用上述输入参数的池化配置,为二维空间自适应池化操作,根据 input , 池化类型 pool_type , 池化核大小 pool_size 这些参数得到输出。

输入X和输出Out是NCDHW格式,N为批大小,D是特征深度,C是通道数,H是特征高度,W是特征宽度。参数 pool_size 含有两个整型元素, 分别代表深度,高度和宽度上的参数。输出Out的D, H和W维由 pool_size 决定,即输出shape为

adaptive_pool3d - 图1

对于平均adaptive pool3d:

adaptive_pool3d - 图2

  • 参数:
    • input (Variable) - 池化操作的输入张量,维度为 adaptive_pool3d - 图3 的5-D Tensor。 输入张量的格式为NCDHW,其中N是batch大小,C是通道数,D为特征的深度,H是特征的高度,W是特征的宽度,数据类型为float32或float64。
    • pool_size (int|list|tuple) - 池化核大小。 如果池化核大小是元组或列表,则它必须包含三个整数(Depth, Height, Width)。若为一个整数,则表示D, H和W维度上均为该值。
    • pool_type (string)- 池化类型,可输入“max”代表max-pooling,或者“avg”代表average-pooling。
    • require_index (bool) - 如果为True,则输出中带有最大池化点所在的索引。 如果pool_type为avg,该项不可被设置为True, 默认False。
    • name (str,可选) – 具体用法请参见 Name ,一般无需设置。默认值:None。

返回: Variable(Tensor) 自适应池化结果张量

返回类型:变量(Variable),数据类型与 input 一致

抛出异常:

  • ValueErrorpool_type 不是 ‘max’ 或 ‘avg’
  • ValueError – 当 pool_type 是 ‘avg’ 时,错误地设置 ‘require_index’ 为true .
  • ValueErrorpool_size 应为一个长度为3的列表或元组
  1. # average adaptive pool2d
  2. # 假设输入形为[N, C, D, H, W], `pool_size` 为 [l, m, n],
  3. # 输出形为 [N, C, l, m, n], adaptive pool 将输入的D, H 和 W 维度
  4. # 平均分割为 l * m * n 个栅格(grid) ,然后为每个栅格进行池化得到输出
  5. # adaptive average pool 进行如下操作
  6. #
  7. # for i in range(l):
  8. # for j in range(m):
  9. # for k in range(n):
  10. # dstart = floor(i * D / l)
  11. # dend = ceil((i + 1) * D / l)
  12. # hstart = floor(j * H / m)
  13. # hend = ceil((j + 1) * H / m)
  14. # wstart = floor(k * W / n)
  15. # wend = ceil((k + 1) * W / n)
  16. # output[:, :, i, j, k] =
  17. # avg(input[:, :, dstart:dend, hstart: hend, wstart: wend])
  18. #
  19.  
  20. import paddle.fluid as fluid
  21.  
  22. data = fluid.data(name='data', shape=[None, 3, 32, 32, 32], dtype='float32')
  23. pool_out = fluid.layers.adaptive_pool3d(
  24. input=data,
  25. pool_size=[3, 3, 3],
  26. pool_type='avg')
  27.  
  28. # max adaptive pool2d
  29. # 假设输入形为[N, C, D, H, W], `pool_size` 为 [l, m, n],
  30. # 输出形为 [N, C, l, m, n], adaptive pool 将输入的D, H 和 W 维度
  31. # 平均分割为 l * m * n 个栅格(grid) ,然后为每个栅格进行池化得到输出
  32. # adaptive average pool 进行如下操作
  33. #
  34. # for i in range(l):
  35. # for j in range(m):
  36. # for k in range(n):
  37. # dstart = floor(i * D / l)
  38. # dend = ceil((i + 1) * D / l)
  39. # hstart = floor(j * H / m)
  40. # hend = ceil((j + 1) * H / m)
  41. # wstart = floor(k * W / n)
  42. # wend = ceil((k + 1) * W / n)
  43. # output[:, :, i, j, k] =
  44. # avg(input[:, :, dstart:dend, hstart: hend, wstart: wend])
  45. #
  46.  
  47. import paddle.fluid as fluid
  48.  
  49. data = fluid.data(name='data', shape=[None, 3, 32, 32, 32], dtype='float32')
  50. pool_out = fluid.layers.adaptive_pool3d(
  51. input=data,
  52. pool_size=[3, 3, 3],
  53. pool_type='max')