MaxPool2d ¬

class torch.nn.MaxPool2d(核大小, 步长=None, 填充=0, 扩展=1, 返回索引=False, 向上取整模式=False)[源代码][源代码] ¬

对由多个输入平面组成的输入信号应用 2D 最大池化。

在最简单的情况下，输入大小为 $(N, C, H, W)$ ，输出为 $(N, C, H_{out}, W_{out})$ 、 kernel_size 和 $(kH, kW)$ 的层的输出值可以精确描述为：

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

如果 padding 非零，则输入将在两侧隐式填充负无穷大，填充 padding 个点。 dilation 控制核点之间的间距。描述起来比较困难，但这个链接有一个很好的可视化，展示了 dilation 的作用。

注意

当 ceil_mode=True 时，滑动窗口允许在左填充或输入内开始时超出边界。如果滑动窗口将开始于右填充区域，则忽略。

参数 kernel_size ， stride ， padding ， dilation 可以是：

• 单一的 int –在这种情况下，高度和宽度维度使用相同的值

• 两个整数的 tuple –在这种情况下，第一个整数用于高度维度，第二个整数用于宽度维度

参数:

• kernel_size (Union[int, tuple[int, int]]) – 窗口大小，用于取最大值

• 步长（Union[int, tuple[int, int]]）– 窗口的步长。默认值为 kernel_size

• padding (Union[int, tuple[int, int]]) – 隐式负无穷填充，将添加到两侧

• dilation (Union[int, tuple[int, int]]) – 控制窗口中元素步长的参数

• return_indices (bool) – 如果返回索引，将返回最大索引和输出。对后续操作很有用

• ceil_mode（布尔值）- 当为 True 时，将使用向上取整而不是向下取整来计算输出形状

形状：

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

• 输出： $(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$ ，其中

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

示例：

>>> # pool of square window of size=3, stride=2
>>> m = nn.MaxPool2d(3, stride=2)
>>> # pool of non-square window
>>> m = nn.MaxPool2d((3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)