max_pool3d¶

paddle.nn.functional. max_pool3d ( x, kernel_size, stride=None, padding=0, ceil_mode=False, return_mask=False, data_format="NCDHW", name=None) ) [源代码] ¶

该函数是一个三维最大池化函数，根据输入参数 kernel_size, stride, padding 等参数对输入 x 做最大池化操作。

例如：

输入：: X 形状：\(\left ( N,C,D_{in}, H_{in},W_{in} \right )\)
属性：: kernel_size: \([kD, kH, kW]\) stride: \(stride\)
输出：: Out 形状：\(\left ( N,C,D_{out}, H_{out},W_{out} \right )\)

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

参数¶

x (Tensor): 形状为 [N,C,D,H,W] 或 [N,D,H,W,C] 的5-D Tensor，N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度，数据类型为float32或float64。

kernel_size (int|list|tuple): 池化核大小。如果它是一个元组或列表，它必须包含三个整数值， (pool_size_Depth，pool_size_Height, pool_size_Width)。若为一个整数，则表示D，H和W维度上均为该值，比如若pool_size=2, 则池化核大小为[2,2,2]。

stride (int|list|tuple)：池化层的步长。如果它是一个元组或列表，它将包含三个整数，(pool_stride_Depth，pool_stride_Height, pool_stride_Width)。若为一个整数，则表示D, H和W维度上stride均为该值。默认值为kernel_size.

padding (string|int|list|tuple) 池化填充。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法。如果它是一个元组或列表，它可以有3种格式：(1)包含3个整数值：[pad_depth, pad_height, pad_width]；(2)包含6个整数值：[pad_depth_front, pad_depth_back, pad_height_top, pad_height_bottom, pad_width_left, pad_width_right]；(3)包含5个二元组：当 data_format 为"NCDHW"时为[[0,0], [0,0], [pad_depth_front, pad_depth_back], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right]]，当 data_format 为"NDHWC"时为[[0,0], [pad_depth_front, pad_depth_back], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right], [0,0]]。若为一个整数，则表示D、H和W维度上均为该值。默认值：0

ceil_mode (bool)：是否用ceil函数计算输出高度和宽度。如果是True，则使用 ceil 计算输出形状的大小。默认为False

return_mask (bool)：是否返回最大索引和输出。默认为False.

data_format (str)：输入和输出的数据格式，可以是"NCDHW"和"NDHWC"。N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度。默认值："NDCHW"。

name (str)：函数的名字，默认为None.

返回¶

5-D Tensor，数据类型与输入 x 一致。

代码示例¶

          import paddle
import paddle.nn.functional as F
# max pool3d
input = paddle.uniform(shape=[1, 2, 32, 32, 32], dtype='float32', min=-1, max=1)
output = F.max_pool3d(input,
                      kernel_size=2,
                      stride=2, padding=0)
# output.shape [1, 3, 16, 16, 16]
# for return_mask=True
input = paddle.uniform(shape=[1, 2, 32, 32, 32], dtype='float32', min=-1, max=1)
output, max_indices = paddle.nn.functional.max_pool3d(input,
                              kernel_size = 2,
                              stride = 2,
                              padding=0,
                              return_mask=True)
# output.shape [None, 3, 16, 16, 16], max_indices.shape [None, 3, 16, 16, 16],

         