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] 或 [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 (string|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)：函数的名字，默认为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)
# pool_out shape: [1, 1, 3, 3],  indices shape: [1, 1, 3, 3]
unpool_out = F.max_unpool2d(pool_out, indices, kernel_size=2, padding=0)
# 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])
# unpool_out shape: [1, 1, 7, 7]