FractionalMaxPool3d

class torch.nn.FractionalMaxPool3d(kernel_size, output_size=None, output_ratio=None, return_indices=False, _random_samples=None) [source]

Выполняет трёхмерный дробный макспулинг входного сигнала, состоящего из нескольких входных плоскостей.

Дробный макспулинг подробно описан в статье Fractional MaxPooling Бена Грэма.

Операция макспулинга применяется в областях размером $kT \times kH \times kW$ с переменным шагом, определяемым целевым размером выходных данных. Количество выходных признаков равно количеству входных плоскостей.

Примечание

Должен быть задан ровно один из параметров output_size и output_ratio.

Параметры:

• kernel_size (int | tuple[int, int, int]) – размер окна, в котором вычисляется максимум. Может быть одним числом k (для квадратного ядра размером k x k x k) или кортежем (kt x kh x kw), k должны быть больше 0.
• output_size (int | tuple[int, int, int]) – целевой размер выходного изображения в формате oT x oH x oW. Может быть кортежем (oT, oH, oW) или одним числом oH для квадратного изображения oH x oH x oH
• output_ratio (float | tuple[float, float, float]) – Если требуется задать размер выходных данных как отношение к размеру входных данных, можно использовать этот параметр. Его значение должно быть числом или кортежем в диапазоне (0, 1).
• return_indices (bool) – если True, индексы будут возвращены вместе с выходными данными. Это удобно для передачи в nn.MaxUnpool3d(). По умолчанию: False

Форма:

• Входные данные: $(N, C, T_{in}, H_{in}, W_{in})$ или $(C, T_{in}, H_{in}, W_{in})$.
• Выходные данные: $(N, C, T_{out}, H_{out}, W_{out})$ или $(C, T_{out}, H_{out}, W_{out})$, где $(T_{out}, H_{out}, W_{out})=\text{output\_size}$ или $(T_{out}, H_{out}, W_{out})=\text{output\_ratio} \times (T_{in}, H_{in}, W_{in})$

Примеры

>>> # pool of cubic window of size=3, and target output size 13x12x11
>>> m = nn.FractionalMaxPool3d(3, output_size=(13, 12, 11))
>>> # pool of cubic window and target output size being half of input size
>>> m = nn.FractionalMaxPool3d(3, output_ratio=(0.5, 0.5, 0.5))
>>> input = torch.randn(20, 16, 50, 32, 16)
>>> output = m(input)