MaxPool3d

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

Применяет трехмерное объединение с выбором максимума к входному сигналу, состоящему из нескольких входных плоскостей.

В простейшем случае выходное значение слоя с размером входных данных $(N, C, D, H, W)$, выходными данными $(N, C, D_{out}, H_{out}, W_{out})$ и kernel_size $(kD, kH, kW)$ можно точно описать следующим образом:

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

Если padding не равно нулю, входные данные неявно дополняются отрицательной бесконечностью с обеих сторон на padding точек. dilation определяет расстояние между точками ядра. Описать это сложнее, но по этой ссылке можно посмотреть наглядную иллюстрацию того, что делает dilation.

Примечание

Если ceil_mode=True, скользящим окнам разрешено выходить за границы, если они начинаются внутри области дополнения слева или внутри входных данных. Скользящие окна, которые начинались бы в области дополнения справа, игнорируются.

Параметры kernel_size, stride, padding, dilation могут быть:

• одним значением int — в этом случае одно и то же значение используется для глубины, высоты и ширины
• tuple из трех целых чисел — в этом случае первое int используется для глубины, второе int — для высоты, а третье int — для ширины

Параметры:

• kernel_size (int | tuple[int, int, int]) – размер окна, в котором выполняется поиск максимума
• stride (int | tuple[int, int, int]) – шаг окна. Значение по умолчанию: kernel_size
• padding (int | tuple[int, int, int]) – неявное дополнение отрицательной бесконечностью, добавляемое со всех трех сторон
• dilation (int | tuple[int, int, int]) – параметр, определяющий шаг между элементами окна
• return_indices (bool) – если True, возвращает индексы максимальных значений вместе с выходными данными. Полезно для последующего вызова torch.nn.MaxUnpool3d
• ceil_mode (bool) – если True, для вычисления формы выходных данных используется ceil вместо floor

Форма:

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

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

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

Примеры:

>>> # 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) [source]

Выполняет прямой проход.