MaxPool3d

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

对由多个输入平面组成的输入信号应用 3D 最大池化。

在最简单的情况下，输入大小为 $(N, C, D, H, W)$，输出大小为 $(N, C, D_{out}, H_{out}, W_{out})$ 和 kernel_size $(kD, kH, kW)$ 可以精确地描述为

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

如果 padding 非零，则输入将在两侧隐式填充负无穷。 dilation 控制核点之间的间隔。这比较难描述，但这个 链接 有一个很好的 dilation 作用的可视化。

注意

当 ceil_mode=True 时，如果滑动窗口从左侧填充或输入开始，则允许它们超出边界。从右侧填充区域开始的滑动窗口将被忽略。

参数 kernel_size、stride、padding、dilation 可以是

• 单个 int —— 此时深度、高度和宽度维度都使用相同的值

• 一个由三个整数组成的 tuple —— 这种情况下，第一个 int 用于深度维度，第二个 int 用于高度维度，第三个 int 用于宽度维度。

参数

• kernel_size (Union[int, tuple[int, int, int]]) – 要取最大值的窗口大小

• stride (Union[int, tuple[int, int, int]]) – 窗口的步长。默认值是 kernel_size

• padding (Union[int, tuple[int, int, int]]) – 在所有三个维度上添加的隐式负无穷填充

• dilation (Union[int, tuple[int, int, int]]) – 一个控制窗口中元素步长的参数

• return_indices (bool) – 如果为 True，则将返回最大值的索引以及输出。对于后续的 torch.nn.MaxUnpool3d 很有用

• ceil_mode (bool) – 当为 True 时，将使用 ceil 而不是 floor 来计算输出形状

形状

• 输入：$(N, C, D_{in}, H_{in}, W_{in})$ 或 $(C, D_{in}, H_{in}, W_{in})$。

• 输出：$(N, C, D_{out}, H_{out}, W_{out})$ 或 $(C, D_{out}, H_{out}, W_{out})$，其中

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

示例

>>> # 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)

执行前向传播。