adaptive_pool2d
paddle.fluid.layers.adaptive_pool2d
(input, pool_size, pool_type=’max’, require_index=False, name=None)[源代码]
该OP使用上述输入参数的池化配置,为二维空间自适应池化操作,根据 input
, 池化类型 pool_type
, 池化核大小 pool_size
这些参数得到输出。
输入X和输出Out是NCHW格式,N为批大小,C是通道数,H是特征高度,W是特征宽度。参数 pool_size
含有两个整型元素, 分别代表高度和宽度上的参数。输出Out的H和W维由 pool_size
决定,即输出shape为
对于平均adaptive pool2d:
参数
input (Variable) - 池化操作的输入张量,维度为
的4-D Tensor。 输入张量的格式为NCHW,其中N是batch大小,C是通道数,H是特征的高度,W是特征的宽度,数据类型为float32或float64。
- pool_size (int|list|tuple) - 池化核大小。 如果池化核大小是元组或列表,则它必须包含两个整数(pool_size_Height,pool_size_Width。若为一个整数,则表示H和W维度上均为该值。
- pool_type (string)- 池化类型,可输入“max”代表max-pooling,或者“avg”代表average-pooling。
- require_index (bool) - 如果为False,则输出中带有最大池化点所在的索引。 如果pool_type为avg,该项不可被设置为True, 默认False。
- name (str,可选) – 具体用法请参见 Name ,一般无需设置。默认值:None。
返回
Variable(Tensor) 自适应池化结果张量
返回类型
变量(Variable),数据类型与 input
一致
抛出异常
ValueError
–pool_type
不是 ‘max’ 或 ‘avg’ValueError
– 当pool_type
是 ‘avg’ 时,错误地设置 ‘require_index’ 为true .ValueError
–pool_size
应为一个长度为2的列表或元组
# average adaptive pool2d
# 假设输入形为[N, C, H, W], `pool_size` 为 [m, n],
# 输出形为 [N, C, m, n], adaptive pool 将输入的 H 和 W 维度
# 平均分割为 m * n 个栅格(grid) ,然后为每个栅格进行池化得到输出
# adaptive average pool 进行如下操作
#
# 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] = avg(input[:, :, hstart: hend, wstart: wend])
#
import paddle.fluid as fluid
data = fluid.data(name='data', shape=[None, 3, 32, 32], dtype='float32')
pool_out = fluid.layers.adaptive_pool2d(
input=data,
pool_size=[3, 3],
pool_type='avg')
# max adaptive pool2d
# 假设输入形为[N, C, H, W], `pool_size` 为 [m, n],
# 输出形为 [N, C, m, n], adaptive pool 将输入的 H 和 W 维度
# 平均分割为 m * n 个栅格(grid) ,然后为每个栅格进行池化得到输出
# adaptive average pool 进行如下操作
#
# 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.fluid as fluid
data = fluid.data(name='data', shape=[None, 3, 32, 32], dtype='float32')
pool_out = fluid.layers.adaptive_pool2d(
input=data,
pool_size=[3, 3],
pool_type='max')