FractionalMaxPool2d

class torch.nn.modules.pooling.FractionalMaxPool2d(kernel_size, output_size=None, output_ratio=None, return_indices=False, _random_samples=None) [исходный код]

Применяет двумерный дробный max pooling к входному сигналу, состоящему из нескольких входных плоскостей.

Дробный max pooling подробно описан в статье Дробный max pooling Бена Грэма

Операция max pooling применяется в областях размером $kH \times kW$ со случайным шагом, определяемым целевым размером выходных данных. Число выходных признаков равно числу входных плоскостей.

Примечание

Должен быть задан ровно один из параметров output_size или output_ratio.

Параметры:

• kernel_size (int | tuple[int, int]) – размер окна, в котором ищется максимум. Может быть задано одним числом k (для квадратного ядра размером k x k) или кортежем (kh, kw)
• output_size (int | tuple[int, int]) – целевой размер выходного изображения вида oH x oW. Может быть задан кортежем (oH, oW) или одним числом oH для квадратного изображения oH x oH. Обратите внимание, что должны выполняться условия $kH + oH - 1 <= H_{in}$ и $kW + oW - 1 <= W_{in}$
• output_ratio (float | tuple[float, float]) – Если требуется задать размер выходных данных как отношение к размеру входных данных, можно использовать этот параметр. Он должен быть числом или кортежем из диапазона (0, 1). Обратите внимание, что должны выполняться условия $kH + (output\_ratio\_H * H_{in}) - 1 <= H_{in}$ и $kW + (output\_ratio\_W * W_{in}) - 1 <= W_{in}$
• return_indices (bool) – если True, индексы будут возвращены вместе с выходными данными. Это 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 $(H_{out}, W_{out})=\text{output\_size}$ или $(H_{out}, W_{out})=\text{output\_ratio} \times (H_{in}, W_{in})$.

Примеры

>>> # pool of square window of size=3, and target output size 13x12
>>> m = nn.FractionalMaxPool2d(3, output_size=(13, 12))
>>> # pool of square window and target output size being half of input image size
>>> m = nn.FractionalMaxPool2d(3, output_ratio=(0.5, 0.5))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)