adaptive_max_pool2d

paddle.nn.functional. adaptive_max_pool2d ( x, output_size, return_mask=False, name=None ) [源代码]

该算子根据输入 x , output_size 等参数对一个输入Tensor计算2D的自适应最大值池化。输入和输出都是4-D Tensor， 默认是以 NCHW 格式表示的，其中 N 是 batch size, C 是通道数, H 是输入特征的高度， W 是输入特征的宽度。

注解

详细请参考对应的 Class 请参考: AdaptiveMaxPool2D 。

参数

  • x (Tensor): 当前算子的输入, 其是一个形状为 [N, C, H, W] 的4-D Tensor。其中 N 是batch size, C 是通道数, H 是输入特征的高度, W 是输入特征的宽度。 其数据类型为float32或者float64。

  • output_size (int|list|tuple): 算子输出特征图的长度，其数据类型为int或list，tuple。

  • return_mask (bool, 可选): 如果设置为True，则会与输出一起返回最大值的索引，默认为False。

  • name (str，可选): 操作的名称(可选，默认值为None）。更多信息请参见 Name。

返回

Tensor, 输入 x 经过自适应池化计算得到的目标4-D Tensor，其数据类型与输入相同。

代码示例

  1. # max adaptive pool2d
  2. # suppose input data in the shape of [N, C, H, W], `output_size` is [m, n]
  3. # output shape is [N, C, m, n], adaptive pool divide H and W dimensions
  4. # of input data into m*n grids averagely and performs poolings in each
  5. # grid to get output.
  6. # adaptive max pool performs calculations as follow:
  7. #
  8. #     for i in range(m):
  9. #         for j in range(n):
  10. #             hstart = floor(i * H / m)
  11. #             hend = ceil((i + 1) * H / m)
  12. #             wstart = floor(i * W / n)
  13. #             wend = ceil((i + 1) * W / n)
  14. #             output[:, :, i, j] = max(input[:, :, hstart: hend, wstart: wend])
  15. #
  17. import paddle
  18. x = paddle.rand((2, 3, 32, 32))
  19. # x.shape is [2, 3, 32, 32]
  20. out = paddle.nn.functional.adaptive_max_pool2d(
  21.                 x = x,
  22.                 output_size=[3, 3])
  23. print(out.shape)
  24. # out.shape is [2, 3, 3, 3]