AdaptiveMaxPool2d

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

Применяет адаптивную двумерную максимальную пулинговую операцию к входному сигналу, состоящему из нескольких входных плоскостей.

Размер выходных данных составляет $H_{out} \times W_{out}$ при любом размере входных данных. Число выходных признаков равно числу входных плоскостей.

Параметры:

• output_size (int | None | tuple[int | None, int | None]) – целевой размер выходного изображения 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 $W_{out}$ могут иметь значение int или None, что означает, что размер будет таким же, как у входных данных.
• return_indices (bool) – если True, вместе с выходными данными будут возвращены индексы. Это удобно для передачи в nn.MaxUnpool2d. Значение по умолчанию: False

Форма:

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

forward(input) [source]

Выполняет прямой проход.