MaxUnpool3d

class torch.nn.MaxUnpool3d(kernel_size, stride=None, padding=0) [source]

Вычисляет частичное обратное преобразование к MaxPool3d.

MaxPool3d не является полностью обратимой операцией, так как значения, не являющиеся максимальными, теряются. MaxUnpool3d принимает на вход результат работы MaxPool3d, включая индексы максимальных значений, и вычисляет частичное обратное преобразование, в котором все значения, не являющиеся максимальными, устанавливаются в ноль.

Примечание

MaxPool3d может отображать несколько размеров входных данных на одни и те же размеры выходных данных. Следовательно, процесс обратного преобразования может стать неоднозначным. Для этого вы можете указать необходимый размер выходных данных в качестве дополнительного аргумента output_size в вызове forward. См. раздел Входные данные ниже.

Параметры:

• kernel_size (int или tuple) – Размер окна максимального пулинга.
• stride (int или tuple) – Шаг окна максимального пулинга. По умолчанию он равен kernel_size.
• padding (int или tuple) – Заполнение, добавленное к входу

Входные данные:

• input: тензор входных данных для обратного преобразования
• indices: индексы, полученные из MaxPool3d
• output_size (необязательно): целевой размер выходных данных

Форма:

• Вход: $(N, C, D_{in}, H_{in}, W_{in})$ или $(C, D_{in}, H_{in}, W_{in})$.

• Выход: $(N, C, D_{out}, H_{out}, W_{out})$ или $(C, D_{out}, H_{out}, W_{out})$, где

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

  или как задано в output_size в операторе вызова

Пример:

>>> # pool of square window of size=3, stride=2
>>> pool = nn.MaxPool3d(3, stride=2, return_indices=True)
>>> unpool = nn.MaxUnpool3d(3, stride=2)
>>> output, indices = pool(torch.randn(20, 16, 51, 33, 15))
>>> unpooled_output = unpool(output, indices)
>>> unpooled_output.size()
torch.Size([20, 16, 51, 33, 15])