MaxPool3d ¬

class torch.nn.MaxPool3d(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 3D 最大池化。

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

$$\begin{aligned} \text{out}(N_i, C_j, d, h, w) ={} & \max_{k=0, \ldots, kD-1} \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1} \\ & \text{input}(N_i, C_j, \text{stride[0]} \times d + k, \text{stride[1]} \times h + m, \text{stride[2]} \times w + n) \end{aligned}$$

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：

• 单个 int – 在这种情况下，深度、高度和宽度维度使用相同的值

• 三个整数的 tuple – 在这种情况下，第一个整数用于深度维度，第二个整数用于高度维度，第三个整数用于宽度维度

参数:

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

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

• padding (Union[int, tuple[int, int, int]]) – 在所有三侧添加隐式负无穷大填充

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

• return_indices (bool) – 如果 True ，将返回最大索引和输出。对 torch.nn.MaxUnpool3d 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： $(N, C, D_{in}, H_{in}, W_{in})$ 或 $(C, D_{in}, H_{in}, W_{in})$ 。

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

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

示例：

>>> # pool of square window of size=3, stride=2
>>> m = nn.MaxPool3d(3, stride=2)
>>> # pool of non-square window
>>> m = nn.MaxPool3d((3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50, 44, 31)
>>> output = m(input)