max_pool3d

paddle.nn.functinoal.max_pool3d ( x, kernel_size, stride=None, padding=0, ceil_mode=False, return_mask=False, data_format=”NCDHW”, name=None) )

该函数是一个三维最大池化函数，根据输入参数 kernel_size, stride, padding 等参数对输入 x 做最大池化操作。

例如：

输入：

X 形状：

max_pool3d - 图1

属性：

kernel_size:

max_pool3d - 图2

stride:

max_pool3d - 图3

输出：

Out 形状：(N,C,Dout,Hout,Wout)(N,C,Dout,Hout,Wout)

..math::out(Ni,Cj,d,h,w)\=maxk\=0,…,kD−1maxm\=0,…,kH−1maxn\=0,…,kW−1input(Ni,Cj,stride[0]×d+k,stride[1]×h+m,stride[2]×w+n)..math::out(Ni,Cj,d,h,w)\=maxk\=0,…,kD−1maxm\=0,…,kH−1maxn\=0,…,kW−1input(Ni,Cj,stride[0]×d+k,stride[1]×h+m,stride[2]×w+n)

参数

  • x (Tensor): 形状为 [N,C,D,H,W] 或 [N,D,H,W,C] 的5-D Tensor，N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度，数据类型为float32或float64。

  • kernel_size (int|list|tuple): 池化核大小。如果它是一个元组或列表，它必须包含三个整数值， (pool_size_Depth，pool_size_Height, pool_size_Width)。若为一个整数，则表示D，H和W维度上均为该值，比如若pool_size=2, 则池化核大小为[2,2,2]。

  • stride (int|list|tuple)：池化层的步长。如果它是一个元组或列表，它将包含三个整数，(pool_stride_Depth，pool_stride_Height, pool_stride_Width)。若为一个整数，则表示D, H和W维度上stride均为该值。默认值为kernel_size.

  • padding (string|int|list|tuple) 池化填充。如果它是一个字符串，可以是”VALID”或者”SAME”，表示填充算法。如果它是一个元组或列表，它可以有3种格式：(1)包含3个整数值：[pad_depth, pad_height, pad_width]；(2)包含6个整数值：[pad_depth_front, pad_depth_back, pad_height_top, pad_height_bottom, pad_width_left, pad_width_right]；(3)包含5个二元组：当 data_format 为”NCDHW”时为[[0,0], [0,0], [pad_depth_front, pad_depth_back], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right]]，当 data_format 为”NDHWC”时为[[0,0], [pad_depth_front, pad_depth_back], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right], [0,0]]。若为一个整数，则表示D、H和W维度上均为该值。默认值：0

  • ceil_mode (bool)：是否用ceil函数计算输出高度和宽度。如果是True，则使用 ceil 计算输出形状的大小。默认为False

  • return_mask (bool)：是否返回最大索引和输出。默认为False.

  • data_format (str)： 输入和输出的数据格式，可以是”NCDHW”和”NDHWC”。N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度。默认值：”NDCHW”。

  • name (str)：函数的名字，默认为None.

返回

5-D Tensor，数据类型与输入 x 一致。

代码示例

  1. import paddle
  2. import paddle.nn.functional as F
  3. # max pool3d
  4. input = paddle.uniform(shape=[1, 2, 32, 32, 32], dtype='float32', min=-1, max=1)
  5. output = F.max_pool3d(input,
  6.                       kernel_size=2,
  7.                       stride=2, padding=0)
  8. # output.shape [1, 3, 16, 16, 16]
  9. # for return_mask=True
  10. input = paddle.uniform(shape=[1, 2, 32, 32, 32], dtype='float32', min=-1, max=1)
  11. output, max_indices = paddle.nn.functional.max_pool3d(input,
  12.                               kernel_size = 2,
  13.                               stride = 2,
  14.                               padding=0,
  15.                               return_mask=True)
  16. # output.shape [None, 3, 16, 16, 16], max_indices.shape [None, 3, 16, 16, 16],