maxout¶

paddle.fluid.layers. maxout ( x, groups, name=None, axis=1 ) [源代码] ¶

假设输入形状为(N, Ci, H, W)，输出形状为(N, Co, H, W)，则 \(Co=Ci/groups\) 运算公式如下:

\[\begin{split}y_{si+j} &= \max_k x_{gsi + sk + j} \\ g &= groups \\ s &= \frac{input.size}{num\_channels} \\ 0 \le &i < \frac{num\_channels}{groups} \\ 0 \le &j < s \\ 0 \le &k < groups\end{split}\]

请参阅论文:

Maxout Networks: http://www.jmlr.org/proceedings/papers/v28/goodfellow13.pdf
Multi-digit Number Recognition from Street View Imagery using Deep Convolutional Neural Networks: https://arxiv.org/pdf/1312.6082v4.pdf

参数：

x (Variable) - 4-D Tensor，maxout算子的输入张量，其数据类型为float32，数据格式为NCHW或NHWC，其中N为 batch size ，C为通道数，H和W为特征图的高和宽。
groups (int) - 指定将输入张量的channel通道维度进行分组的数目。输出的通道数量为通道数除以组数。
name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。
axis (int) - 指定通道所在维度的索引。当数据格式为NCHW时，axis应该被设置为1，当数据格式为NHWC时，axis应该被设置为-1或者3。默认值：1。

返回：4-D Tensor，数据类型和格式与 x 一致。

返回类型：Variable

抛出异常：

ValueError - 如果 axis 既不是1，也不是-1或3。

代码示例：

         import paddle.fluid as fluid
input = fluid.data(
    name='data',
    shape=[None, 256, 32, 32],
    dtype='float32')
out = fluid.layers.maxout(input, groups=2)

        