MaxUnPool3D

class paddle.nn. MaxUnPool3D ( kernel_size, stride=None, padding=0, data_format='NCDHW', output_size=None, name=None ) [源代码]

构建 MaxUnPool3D 类的一个可调用对象，根据输入的 input 和最大值位置计算出池化的逆结果。所有非最大值设置为零。

输入：

X 形状：\((N, C, D_{in}, H_{in}, W_{in})\)

输出：

Output 形状：\((N, C, D_{out}, H_{out}, W_{out})\) 具体计算公式为

\[D_{out} = (D_{in} - 1) \times \text{stride[0]} - 2 \times \text{padding[0]} + \text{kernel_size[0]}\]
\[H_{out} = (H_{in} - 1) \times \text{stride[1]} - 2 \times \text{padding[1]} + \text{kernel_size[1]}\]
\[W_{out} = (W_{in} - 1) \times \text{stride[2]} - 2 \times \text{padding[2]} + \text{kernel_size[2]}\]

或由参数 output_size 直接指定。

参数

  • kernel_size (int|list|tuple) - 反池化的滑动窗口大小。

  • stride (int|list|tuple，可选) - 池化层的步长。如果它是一个元组或列表，它必须是三个相等的整数，(pool_stride_Depth, pool_stride_Height, pool_stride_Width)，默认值：None。

  • padding (str|int|list|tuple，可选) - 池化填充，默认值：0。

  • output_size (list|tuple，可选) - 目标输出尺寸。如果 output_size 没有被设置，则实际输出尺寸会通过(input_shape, kernel_size, stride, padding)自动计算得出，默认值：None。

  • data_format (str，可选) - 输入和输出的数据格式，只能是"NCDHW"。N 是批尺寸，C 是通道数，D 是特征深度，H 是特征高度，W 是特征宽度。默认值："NCDHW"

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

形状

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

  • indices (Tensor)：默认形状为（批大小，通道数，输出特征深度，输出特征高度，输出特征宽度），即 NCDHW 格式的 5-D Tensor。其数据类型为 int32。

  • output (Tensor)：默认形状为（批大小，通道数，输出特征深度，输出特征高度，输出特征宽度），即 NCDHW 格式的 5-D Tensor。其数据类型与输入一致。

返回

计算 MaxUnPool3D 的可调用对象

代码示例

>>> import paddle
>>> import paddle.nn.functional as F

>>> data = paddle.rand(shape=[1, 1, 4, 4, 6])
>>> pool_out, indices = F.max_pool3d(data, kernel_size=2, stride=2, padding=0, return_mask=True)
>>> print(pool_out.shape)
[1, 1, 2, 2, 3]
>>> print(indices.shape)
[1, 1, 2, 2, 3]
>>> Unpool3D = paddle.nn.MaxUnPool3D(kernel_size=2, padding=0)
>>> unpool_out = Unpool3D(pool_out, indices)
>>> print(unpool_out.shape)
[1, 1, 4, 4, 6]