FractionalMaxPool2d

class torch.nn.FractionalMaxPool2d(kernel_size, output_size=None, output_ratio=None, return_indices=False, _random_samples=None)

在由多個輸入平面組成的輸入訊號上應用二維分數最大池化。

分數最大池化在 Ben Graham 的論文 Fractional MaxPooling 中有詳細描述。

最大池化操作在 $kH \times kW$ 區域上應用，透過由目標輸出大小確定的隨機步長進行。輸出特徵的數量等於輸入平面的數量。

注意

output_size 和 output_ratio 中必須且只能定義一個。

引數

• kernel_size (Union[int, tuple[int, int]]) – 執行最大池化的視窗大小。可以是一個整數 k（對於 k x k 的方形核）或一個元組 (kh, kw)

• output_size (Union[int, tuple[int, int]]) – 目標輸出影像大小，形式為 oH x oW。可以是一個元組 (oH, oW) 或一個整數 oH（對於方形影像 oH x oH）。請注意，我們必須滿足 $kH + oH - 1 <= H_{in}$ 和 $kW + oW - 1 <= W_{in}$

• output_ratio (Union[float, tuple[float, float]]) – 如果希望輸出大小是輸入大小的一個比例，則可以給出此選項。這必須是一個在 (0, 1) 範圍內的數字或元組。請注意，我們必須滿足 $kH + (output\_ratio\_H * H_{in}) - 1 <= H_{in}$ 和 $kW + (output\_ratio\_W * W_{in}) - 1 <= W_{in}$

• return_indices (bool) – 如果為 True，則與輸出一起返回索引。這對於傳遞給 nn.MaxUnpool2d() 很有用。預設值: False

形狀

• 輸入: $(N, C, H_{in}, W_{in})$ 或 $(C, H_{in}, W_{in})$。

• 輸出: $(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$，其中 $(H_{out}, W_{out})=\text{output\_size}$ 或 $(H_{out}, W_{out})=\text{output\_ratio} \times (H_{in}, W_{in})$。

示例

>>> # pool of square window of size=3, and target output size 13x12
>>> m = nn.FractionalMaxPool2d(3, output_size=(13, 12))
>>> # pool of square window and target output size being half of input image size
>>> m = nn.FractionalMaxPool2d(3, output_ratio=(0.5, 0.5))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)