max_unpool2d

paddle.nn.functional. max_unpool2d ( x, indices, kernel_size, stride=None, padding=0, data_format='NCHW', output_size=None, name=None ) [源代码]

这个 API 实现了 2D 最大反池化 操作

注解

更多细节请参考对应的 Class 请参考 MaxUnPool2D

输入:

X 形状:\((N, C, H_{in}, W_{in})\)

输出:

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

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

或由参数 output_size 直接指定

参数

  • x (Tensor) - 形状为 [N,C,H,W][N,H,W,C] 的 4-D Tensor,N 是批尺寸,C 是通道数,H 是特征高度,W 是特征宽度,数据类型为 float32 或 float64。

  • indices (Tensor) - 形状为 [N,C,H,W] 的 4-D Tensor,N 是批尺寸,C 是通道数,H 是特征高度,W 是特征宽度,数据类型为 int32。

  • 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,它必须是两个相等的整数,(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, 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"NCHW"。N 是批尺寸,C 是通道数,H 是特征高度,W 是特征宽度。默认值:"NCHW"

  • 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

4-D Tensor,unpooling 的计算结果。

代码示例

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

>>> data = paddle.rand(shape=[1, 1, 6, 6])
>>> pool_out, indices = F.max_pool2d(data, kernel_size=2, stride=2, padding=0, return_mask=True)
>>> print(pool_out.shape)
[1, 1, 3, 3]
>>> print(indices.shape)
[1, 1, 3, 3]
>>> unpool_out = F.max_unpool2d(pool_out, indices, kernel_size=2, padding=0)
>>> print(unpool_out.shape)
[1, 1, 6, 6]

>>> # specify a different output size than input size
>>> unpool_out = F.max_unpool2d(pool_out, indices, kernel_size=2, padding=0, output_size=[7, 7])
>>> print(unpool_out.shape)
[1, 1, 7, 7]

使用本API的教程文档