adaptive_pool2d

paddle.fluid.layers. adaptive_pool2d ( input, pool_size, pool_type='max', require_index=False, name=None )

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 NCHW 格式，N 为批大小，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，分别代表高度和宽度上的参数。输出 Out 的 H 和 W 维由 pool_size 决定，即输出 shape 为 \(\left ( N,C,pool_size[0],pool_size[1] \right )\)

对于平均 adaptive pool2d:

\[ \begin{align}\begin{aligned}hstart &= floor(i * H_{in} / H_{out})\\hend &= ceil((i + 1) * H_{in} / H_{out})\\wstart &= floor(j * W_{in} / W_{out})\\wend &= ceil((j + 1) * W_{in} / W_{out})\\Output(i ,j) &= \frac{sum(Input[hstart:hend, wstart:wend])}{(hend - hstart) * (wend - wstart)}\end{aligned}\end{align} \]

参数

  • input （Variable） - 池化操作的输入 Tensor，维度为 \([N, C, H, W]\) 的 4-D Tensor。输入 Tensor 的格式为 NCHW，其中 N 是 batch 大小，C 是通道数，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，则它必须包含两个整数（pool_size_Height，pool_size_Width。若为一个整数，则表示 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 False，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，默认值为 None。

返回

Variable(Tensor) 自适应池化结果 Tensor

返回类型

变量(Variable)，数据类型与 input 一致

抛出异常

  • ValueError – pool_type 不是 ‘max’ 或 ‘avg’

  • ValueError – 当 pool_type 是 ‘avg’ 时，错误地设置 ‘require_index’ 为 true 。

  • ValueError – pool_size 应为一个长度为 2 的列表或元组

# average adaptive pool2d
# 假设输入形为[N, C, H, W], `pool_size` 为 [m, n],
# 输出形为 [N, C, m, n], adaptive pool 将输入的 H 和 W 维度
# 平均分割为 m * n 个栅格(grid)，然后为每个栅格进行池化得到输出
# adaptive average pool 进行如下操作
#
#     for i in range(m):
#         for j in range(n):
#             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] = avg(input[:, :, hstart: hend, wstart: wend])
#
import paddle.fluid as fluid
data = fluid.data(name='data', shape=[None, 3, 32, 32], dtype='float32')
pool_out = fluid.layers.adaptive_pool2d(
                  input=data,
                  pool_size=[3, 3],
                  pool_type='avg')

# max adaptive pool2d
# 假设输入形为[N, C, H, W], `pool_size` 为 [m, n],
# 输出形为 [N, C, m, n], adaptive pool 将输入的 H 和 W 维度
# 平均分割为 m * n 个栅格(grid)，然后为每个栅格进行池化得到输出
# adaptive average pool 进行如下操作
#
#     for i in range(m):
#         for j in range(n):
#             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] = max(input[:, :, hstart: hend, wstart: wend])
#
import paddle.fluid as fluid
data = fluid.data(name='data', shape=[None, 3, 32, 32], dtype='float32')
pool_out = fluid.layers.adaptive_pool2d(
                  input=data,
                  pool_size=[3, 3],
                  pool_type='max')