MaxPool3d

class torch.nn.MaxPool3d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

對由多個輸入平面組成的輸入訊號應用 3D 最大池化。

在最簡單的情況下，輸入大小為 $(N, C, D, H, W)$，輸出大小為 $(N, C, D_{out}, H_{out}, W_{out})$ 和 kernel_size $(kD, kH, kW)$ 可以精確地描述為

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

如果 padding 非零，則輸入將在兩側隱式填充負無窮。 dilation 控制核點之間的間隔。這比較難描述，但這個 連結 有一個很好的 dilation 作用的視覺化。

注意

當 ceil_mode=True 時，如果滑動視窗從左側填充或輸入開始，則允許它們超出邊界。從右側填充區域開始的滑動視窗將被忽略。

引數 kernel_size、stride、padding、dilation 可以是

• 單個 int —— 此時深度、高度和寬度維度都使用相同的值

• 一個由三個整陣列成的 tuple —— 這種情況下，第一個 int 用於深度維度，第二個 int 用於高度維度，第三個 int 用於寬度維度。

引數

• kernel_size (Union[int, tuple[int, int, int]]) – 要取最大值的視窗大小

• stride (Union[int, tuple[int, int, int]]) – 視窗的步長。預設值是 kernel_size

• padding (Union[int, tuple[int, int, int]]) – 在所有三個維度上新增的隱式負無窮填充

• dilation (Union[int, tuple[int, int, int]]) – 一個控制視窗中元素步長的引數

• return_indices (bool) – 如果為 True，則將返回最大值的索引以及輸出。對於後續的 torch.nn.MaxUnpool3d 很有用

• ceil_mode (bool) – 當為 True 時，將使用 ceil 而不是 floor 來計算輸出形狀

形狀

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

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

forward(input)

執行前向傳播。