adaptive_max_pool2d

paddle.nn.functional. adaptive_max_pool2d ( x, output_size, return_mask=False, name=None ) [源代码]

根据输入 x , output_size 等参数对一个输入 Tensor 计算 2D 的自适应最大值池化。输入和输出都是 4-D Tensor, 默认是以 NCHW 格式表示的,其中 N 是 batch size, C 是通道数,H 是输入特征的高度,W 是输入特征的宽度。

注解

详细请参考对应的 Class 请参考:AdaptiveMaxPool2D

参数

  • x (Tensor):当前算子的输入,其是一个形状为 [N, C, H, W] 的 4-D Tensor。其中 N 是 batch size, C 是通道数,H 是输入特征的高度,W 是输入特征的宽度。其数据类型为 float32 或者 float64。

  • output_size (int|list|tuple):算子输出特征图的长度,其数据类型为 int 或 list,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) - 具体用法请参见 Name,一般无需设置,默认值为 None。

返回

Tensor,输入 x 经过自适应池化计算得到的目标 4-D Tensor,其数据类型与输入相同。

代码示例

>>> # max adaptive pool2d
>>> # suppose input data in the shape of [N, C, H, W], `output_size` is [m, n]
>>> # output shape is [N, C, m, n], adaptive pool divide H and W dimensions
>>> # of input data into m*n grids averagely and performs poolings in each
>>> # grid to get output.
>>> # adaptive max pool performs calculations as follow:
>>> #
>>> #     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

>>> input_data = paddle.randn(shape=(2, 3, 32, 32))
>>> out = paddle.nn.functional.adaptive_max_pool2d(x = input_data,
...                                                output_size=[3, 3])
>>> print(out.shape)
[2, 3, 3, 3]