AdaptiveMaxPool2d

class torch.nn.AdaptiveMaxPool2d(output_size, return_indices=False) [source]

Применяет адаптивное 2D максимальное усреднение к входному сигналу, составленному из нескольких входных плоскостей.

Размер выходных данных составляет $H_{out} \times W_{out}$ для любого размера входных данных. Количество выходных признаков равно количеству входных плоскостей.

Параметры:

• output_size (Union[int, None, Tuple[Optional[int], Optional[int]]]) – целевой размер изображения на выходе в формате $H_{out} \times W_{out}$. Может быть кортежем $(H_{out}, W_{out})$ или одним значением $H_{out}$ для квадратного изображения $H_{out} \times H_{out}$. $H_{out}$ и $W_{out}$ может быть int, или None, что означает, что размер будет таким же, как у входных данных.
• return_indices (bool) – если True, вернёт индексы вместе с выходными данными. Полезно для передачи в nn.MaxUnpool2d. По умолчанию: False

Форма:

• Вход: $(N, C, H_{in}, W_{in})$ или $(C, H_{in}, W_{in})$.
• Выход: $(N, C, H_{out}, W_{out})$ или $(C, H_{out}, W_{out})$, где $(H_{out}, W_{out})=\text{output\_size}$.

Примеры

>>> # target output size of 5x7
>>> m = nn.AdaptiveMaxPool2d((5,7))
>>> input = torch.randn(1, 64, 8, 9)
>>> output = m(input)
>>> # target output size of 7x7 (square)
>>> m = nn.AdaptiveMaxPool2d(7)
>>> input = torch.randn(1, 64, 10, 9)
>>> output = m(input)
>>> # target output size of 10x7
>>> m = nn.AdaptiveMaxPool2d((None, 7))
>>> input = torch.randn(1, 64, 10, 9)
>>> output = m(input)