FractionalMaxPool2d

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

對由多個輸入平面組成的輸入訊號應用 2D 分數最大池化。

Fractional MaxPooling 的詳細描述請參見論文 Fractional MaxPooling (作者: Ben Graham)。

在 $kH \times kW$ 區域上應用最大池化操作，透過由目標輸出尺寸決定的隨機步長。輸出特徵的數量等於輸入平面的數量。

注意

必須定義 output_size 或 output_ratio 中的一個且僅一個。

引數

• kernel_size (Union[int, tuple[int, int]]) – 取最大值的視窗大小。可以是單個數字 k（用於 k x k 的方形視窗）或一個元組 (kh, kw)

• output_size (Union[int, tuple[int, int]]) – 影像的目標輸出尺寸，形式為 oH x oW。可以是元組 (oH, oW) 或單個數字 oH，用於方形影像 oH x oH。請注意，我們必須滿足 $kH + oH - 1 <= H_{in}$ and $kW + oW - 1 <= W_{in}$

• output_ratio (Union[float, tuple[float, float]]) – 如果希望輸出尺寸是輸入尺寸的一個比例，可以使用此選項。這必須是範圍在 (0, 1) 內的數字或元組。請注意，我們必須滿足 $kH + (output\_ratio\_H * H_{in}) - 1 <= H_{in}$ and $kW + (output\_ratio\_W * W_{in}) - 1 <= W_{in}$

• return_indices (bool) – 如果為 True，則會返回輸出及其索引。這對於傳遞給 nn.MaxUnpool2d() 非常有用。預設為 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)