sequence_pool¶

paddle.static.nn. sequence_pool ( input, pool_type, is_test=False, pad_value=0.0 ) [源代码] ¶

api_attr: 声明式编程模式（静态图)

注意：该OP的输入只能是LoDTensor，如果您需要处理的输入是Tensor类型，请使用 :ref:`paddle.nn.functional.avg_pool2d <cn_api_nn_functional_avg_pool2d>` 或 :ref:`paddle.nn.functional.max_pool2d <cn_api_nn_functional_max_pool2d>` .

该OP 仅支持LoDTensor类型的输入 ，将对输入的LoDTensor进行指定方式的池化（pooling）操作。通过指定pool_type参数，将输入的每个序列（sequence）在最后一层lod_level上或时间步（time-step）上对特征进行诸如sum、average、sqrt等池化操作。

支持六种pool_type:

average: \(Out[i] = \frac{\sum_{i}X_{i}}{N}\)
sum: \(Out[i] = \sum _{j}X_{ij}\)
sqrt: \(Out[i] = \frac{ \sum _{j}X_{ij}}{\sqrt{len(\sqrt{X_{i}})}}\)
max: \(Out[i] = max(X_{i})\)
last: \(Out[i] = X_{N\_i}\)
first: \(Out[i] = X_{0}\)

其中 N_i 为待池化第i个输入序列的长度。

         Case 1:

    input是1-level的LoDTensor, 且pad_value = 0.0:
        input.lod = [[0, 2, 5, 7, 7]]
        input.data = [[1.], [3.], [2.], [4.], [6.], [5.], [1.]]
        input.shape = [7, 1]
    输出为LoDTensor：
        out.shape = [4, 1]
        其中 out.shape[0] == len(x.lod[-1]) == 4
    对于不同的pool_type：
        average: out.data = [[2.], [4.], [3.], [0.0]], where 2.=(1. + 3.)/2, 4.=(2. + 4. + 6.)/3, 3.=(5. + 1.)/2
        sum    : out.data = [[4.], [12.], [6.], [0.0]], where 4.=1. + 3., 12.=2. + 4. + 6., 6.=5. + 1.
        sqrt   : out.data = [[2.82], [6.93], [4.24], [0.0]], where 2.82=(1. + 3.)/sqrt(2), 6.93=(2. + 4. + 6.)/sqrt(3), 4.24=(5. + 1.)/sqrt(2)
        max    : out.data = [[3.], [6.], [5.], [0.0]], where 3.=max(1., 3.), 6.=max(2., 4., 6.), 5.=max(5., 1.)
        last   : out.data = [[3.], [6.], [1.], [0.0]], where 3.=last(1., 3.), 6.=last(2., 4., 6.), 1.=last(5., 1.)
        first  : out.data = [[1.], [2.], [5.], [0.0]], where 1.=first(1., 3.), 2.=first(2., 4., 6.), 5.=first(5., 1.)

    上述out.data中的最后一个[0.0]均为填充的数据。

Case 2:

    input是2-level的LoDTensor, 包含3个长度分别为[2, 0, 3]的序列，其中中间的0表示序列为空。
    第一个长度为2的序列包含2个长度分别为[1, 2]的子序列；
    最后一个长度为3的序列包含3个长度分别为[1, 0, 3]的子序列。
        input.lod = [[0, 2, 2, 5], [0, 1, 3, 4, 4, 7]]
        input.data = [[1.], [3.], [2.], [4.], [6.], [5.], [1.]]
        input.shape = [7, 1]

    以pool_type取值为sum为例，将根据最后一层的lod信息[0, 1, 3, 4, 4, 7]进行池化操作，且pad_value = 0.0
    输出为LoDTensor：
        out.shape= [5, 1]
        out.lod = [[0, 2, 2, 5]]
        其中 out.shape[0] == len(x.lod[-1]) == 5
        sum: out.data = [[1.], [5.], [4.], [0.0], [12.]]
        where 1.=1., 5.=3. + 2., 4.=4., 0.0=pad_value, 12.=6. + 5. + 1.

        

参数¶

input (Tensor) - 类型为LoDTensor的输入序列，仅支持lod_level不超过2的LoDTensor，数据类型为float32。

pool_type (str) - 池化类型，支持average，sum，sqrt，max，last和first池化操作。

is_test (bool, 可选) - 仅在pool_type取值为max时生效。当is_test为False时，则在池化操作过程中会创建maxIndex临时Tenosr，以记录最大特征值对应的索引信息，用于训练阶段的反向梯度计算。默认为False。

pad_value (float, 可选) - 用于填充输入序列为空时的池化结果，默认为0.0。

返回¶

经过指定类型池化后的LoDTensor，数据类型为float32。

代码示例¶

          import paddle
paddle.enable_static()

x = paddle.static.data(name='x', shape=[None, 10], dtype='float32', lod_level=1)
avg_x = paddle.static.nn.sequence_pool(input=x, pool_type='average')
sum_x = paddle.static.nn.sequence_pool(input=x, pool_type='sum')
sqrt_x = paddle.static.nn.sequence_pool(input=x, pool_type='sqrt')
max_x = paddle.static.nn.sequence_pool(input=x, pool_type='max')
last_x = paddle.static.nn.sequence_pool(input=x, pool_type='last')
first_x = paddle.static.nn.sequence_pool(input=x, pool_type='first')

         