FractionalMaxPool2d

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

對由數個輸入平面組成的輸入訊號，套用 2D 分數最大池化。

分數最大池化的詳細說明，請參閱 Ben Graham 的論文 Fractional MaxPooling

最大池化運算會在 $kH \times kW$ 區域中執行，步幅大小由目標輸出大小隨機決定。輸出特徵的數量等於輸入平面的數量。

注意

output_size 或 output_ratio 兩者必須定義其中一個。

參數

• kernel_size (Union[int, Tuple[int, int]]) – 視窗大小，將在該視窗上執行最大值運算。可以是單一數字 k (表示 k x k 的正方形核心) 或 tuple (kh, kw)

• output_size (Union[int, Tuple[int, int]]) – 影像的目標輸出大小，格式為 oH x oW。可以是 tuple (oH, oW) 或單一數字 oH (表示 oH x oH 的正方形影像)。請注意，我們必須有 $kH + oH - 1 <= H_{in}$ 和 $kW + oW - 1 <= W_{in}$

• output_ratio (Union[float, Tuple[float, float]]) – 如果想要讓輸出大小與輸入大小的比率相同，可以提供此選項。這必須是介於 (0, 1) 之間的數字或 tuple。請注意，我們必須有 $kH + (output\_ratio\_H * H_{in}) - 1 <= H_{in}$ 和 $kW + (output\_ratio\_W * W_{in}) - 1 <= W_{in}$

• return_indices (bool) – 如果為 True，將傳回索引以及輸出。對於傳遞至 nn.MaxUnpool2d() 非常有用。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 $(H_{out}, W_{out})=\text{output\_ratio} \times (H_{in}, W_{in})$。

範例

>>> # 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)