FractionalMaxPool2d

class torch.nn.FractionalMaxPool2d(kernel_size, output_size=None, output_ratio=None, return_indices=False, _random_samples=None)

对输入信号进行2D分数最大池化，该输入信号由多个输入平面组成。

分数最大池化在论文 Fractional MaxPooling 中由 Ben Graham 进行了详细描述。

最大池化操作在 $kH \times kW$ 区域上进行，步长由目标输出尺寸确定的随机步长决定。输出特征的数量等于输入平面的数量。

注意

必须定义 output_size 或 output_ratio 中的一个且仅一个。

参数

• kernel_size (Union[int, tuple[int, int]]) – 用于取最大值的窗口大小。可以是单个数字 k（用于 k x k 的方形窗口）或元组 (kh, kw)

• output_size (Union[int, tuple[int, int]]) – 图像的目标输出尺寸，形式为 oH x oW。可以是元组 (oH, oW) 或单个数字 oH（用于方形图像 oH x oH）。请注意，必须满足 $kH + oH - 1 <= H_{in}$ and $kW + oW - 1 <= W_{in}$

• output_ratio (Union[float, tuple[float, float]]) – 如果希望输出大小是输入大小的比例，则可以给出此选项。这必须是范围在 (0, 1) 内的数字或元组。请注意，我们必须有 $kH + (output\_ratio\_H * H_{in}) - 1 <= H_{in}$ and $kW + (output\_ratio\_W * W_{in}) - 1 <= W_{in}$

• return_indices (bool) – 如果设置为 True，则会返回输出的索引。这对于传递给 nn.MaxUnpool2d() 非常有用。默认为 False。

形状

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

• 输出：$(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$，其中 $(H_{out}, W_{out})=\text{output\_size}$ 或 $(H_{out}, W_{out})=\text{output\_ratio} \times (H_{in}, W_{in})$。

示例

>>> # 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)