FractionalMaxPool3d

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

Применяет 3D фракционное максимальное пулинговое преобразование к входному сигналу, состоящему из нескольких входных плоскостей.

Подробное описание фракционного максимального пулинга можно найти в статье Fractional MaxPooling Бэна Грэма.

Операция максимального пулинга применяется к областям размером $kT \times kH \times kW$ с помощью стохастического шага, определяемого целевым размером выходного сигнала. Количество выходных признаков равно количеству входных плоскостей.

Примечание

Должен быть определён только один из output_size или output_ratio.

Параметры

• kernel_size (Union[int, Tuple[int, int, int]]) – размер окна для нахождения максимума. Может быть одним числом k (для квадратного окна k x k x k) или кортежем (kt x kh x kw)
• output_size (Union[int, Tuple[int, int, int]]) – целевой размер выходного изображения вида 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 (Union[float, Tuple[float, float, float]]) – Если требуется размер выходного изображения как отношение к размеру входного, можно использовать этот параметр. Должно быть числом или кортежем в диапазоне (0, 1)
• return_indices (bool) – если True, вернёт индексы вместе с результатами. Полезно для передачи в nn.MaxUnpool3d(). По умолчанию: False

Форма:

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