AdaptiveMaxPool3D

paddle.nn. AdaptiveMaxPool3D ( 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 分别是输入特征的深度，高度，宽度.

计算公式如下:

AdaptiveMaxPool3D - 图1

参数

  • output_size (int|list|tuple): 算子输出特征图的高宽长大小，其数据类型为int,list或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。

形状

  • x (Tensor): 默认形状为（批大小，通道数，输出特征深度，高度，宽度），即NCDHW格式的5-D Tensor。 其数据类型为float32或者float64。

  • output (Tensor): 默认形状为（批大小，通道数，输出特征深度，高度，宽度），即NCDHW格式的5-D Tensor。 其数据类型与输入x相同。

返回

计算AdaptiveMaxPool3D的可调用对象

代码示例

  1. # adaptive max pool3d
  2. # suppose input data in shape of [N, C, D, H, W], `output_size` is [l, m, n],
  3. # output shape is [N, C, l, m, n], adaptive pool divide D, H and W dimensions
  4. # of input data into l * m * n grids averagely and performs poolings in each
  5. # grid to get output.
  6. # adaptive max pool performs calculations as follow:
  7. #
  8. #     for i in range(l):
  9. #         for j in range(m):
  10. #             for k in range(n):
  11. #                 dstart = floor(i * D / l)
  12. #                 dend = ceil((i + 1) * D / l)
  13. #                 hstart = floor(j * H / m)
  14. #                 hend = ceil((j + 1) * H / m)
  15. #                 wstart = floor(k * W / n)
  16. #                 wend = ceil((k + 1) * W / n)
  17. #                 output[:, :, i, j, k] =
  18. #                     max(input[:, :, dstart:dend, hstart: hend, wstart: wend])
  20. import paddle
  21. x = paddle.rand((2, 3, 8, 32, 32))
  22. pool = paddle.nn.AdaptiveMaxPool3D(output_size=4)
  23. out = pool(x)
  24. print(out.shape)
  25. # out shape: [2, 3, 4, 4, 4]
  26. pool = paddle.nn.AdaptiveMaxPool3D(output_size=3, return_mask=True)
  27. out, indices = pool(x)
  28. print(out.shape)
  29. print(indices.shape)
  30. # out shape: [2, 3, 3, 3, 3], indices shape: [2, 3, 3, 3, 3]