MaxPool2d¶

class MaxPool2d(kernel_size, stride=None, padding=0, **kwargs)[源代码]¶

对输入数据进行2D最大值池化（max pooling）。

例如，给定一个大小为 (N, C, H_{text{in}}, W_{text{in}}) 和 kernel_size \((kH, kW)\) 的输入，该层通过一个如下描述的过程产生形状为 \((N, C, H_{\text{out}}, W_{\text{out}})\) 的输出：

\[\begin{aligned} out(N_i, C_j, h, w) ={} & \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1} \text{input}(N_i, C_j, \text{stride[0]} \times h + m, \text{stride[1]} \times w + n) \end{aligned}\]

若 padding 非零，则输入数据会被隐式地在两边用零值进行填充（pad) padding 个点。

参数

kernel_size (Union[int, Tuple[int, int]]) – 窗的大小。
stride (Union[int, Tuple[int, int]]) – 窗口的步长。默认值是 kernel_size。
padding (Union[int, Tuple[int, int]]) – 将被隐式填充到两边的零的数量。默认值：0.

Shape:

Input: \((N, C, H_{in}, W_{in})\) or \((C, H_{in}, W_{in})\)
Output: \((N, C, H_{out}, W_{out})\) or \((C, H_{out}, W_{out})\), where

\[H_{out} = \left\lfloor\frac{H_{in} + 2 * \text{padding[0]} - \text{dilation[0]} \times (\text{kernel\_size[0]} - 1) - 1}{\text{stride[0]}} + 1\right\rfloor\]

\[W_{out} = \left\lfloor\frac{W_{in} + 2 * \text{padding[1]} - \text{dilation[1]} \times (\text{kernel\_size[1]} - 1) - 1}{\text{stride[1]}} + 1\right\rfloor\]

返回: module. The instance of the MaxPool2d module.
返回类型: Return type

实际案例

>>> import numpy as np
>>> m = M.MaxPool2d(kernel_size=3, stride=1, padding=0)
>>> inp = mge.tensor(np.arange(0, 16).astype("float32").reshape(1, 1, 4, 4))
>>> oup = m(inp)
>>> oup.numpy()
array([[[[10., 11.],
         [14., 15.]]]], dtype=float32)

AvgPool2d

AdaptiveAvgPool2d