FractionalMaxPool2d ¬

class torch.nn.FractionalMaxPool2d(核大小, 输出大小=None, 输出比例=None, 返回索引=False, _random_samples=None)[来源][来源] ¬

在由多个输入平面组成的输入信号上应用 2D 分数最大池化。

分数最大池化在 Ben Graham 的论文《分数最大池化》中进行了详细描述

最大池化操作通过随机步长应用于 $kH \times kW$ 区域，步长由目标输出大小确定。输出特征的数量等于输入平面的数量。

注意

output_size 或 output_ratio 必须定义其中一个。

参数:

• kernel_size（Union[int, tuple[int, int]]）- 对窗口进行最大值操作的窗口大小。可以是单个数字 k（用于 k x k 的正方形核）或一个元组（kh, kw）。

• output_size (Union[int, tuple[int, int]]) – 目标输出图像大小，形式为 oH x oW。可以是元组 (oH, oW) 或单个数字 oH，表示正方形图像 oH x oH。注意，我们必须有 $kH + oH - 1 <= H_{in}$ 和 $kW + oW - 1 <= W_{in}$

• output_ratio (Union[float, tuple[float, float]]) – 如果希望输出大小为输入大小的比例，则可以使用此选项。这必须是一个在范围 (0, 1) 内的数字或元组。注意，我们必须有 $kH + (output\_ratio\_H * H_{in}) - 1 <= H_{in}$ 和 $kW + (output\_ratio\_W * W_{in}) - 1 <= W_{in}$

• return_indices (bool) – 如果 True ，将返回索引和输出。对传递给 nn.MaxUnpool2d() 有用。默认： False

形状：

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

• Output: $(N, C, H_{out}, W_{out})$ 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)