adaptive_pool3d¶
- paddle.fluid.layers. adaptive_pool3d ( input, pool_size, pool_type='max', require_index=False, name=None ) [源代码] ¶
该OP使用上述输入参数的池化配置,为二维空间自适应池化操作,根据 input
,池化类型 pool_type
,池化核大小 pool_size
这些参数得到输出。
输入X和输出Out是NCDHW格式,N为批大小,D是特征深度,C是通道数,H是特征高度,W是特征宽度。参数 pool_size
含有两个整型元素,分别代表深度,高度和宽度上的参数。输出Out的D, H和W维由 pool_size
决定,即输出shape为 \(\left ( N,C,pool_size[0],pool_size[1],pool_size[2] \right )\)
对于平均adaptive pool3d:
参数¶
input (Variable) - 池化操作的输入张量,维度为 \([N, C, D, H, W]\) 的5-D Tensor。输入张量的格式为NCDHW,其中N是batch大小,C是通道数,D为特征的深度,H是特征的高度,W是特征的宽度,数据类型为float32或float64。
pool_size (int|list|tuple) - 池化核大小。如果池化核大小是元组或列表,则它必须包含三个整数(Depth, Height, Width)。若为一个整数,则表示D, H和W维度上均为该值。
pool_type (string)- 池化类型,可输入“max”代表max-pooling,或者“avg”代表average-pooling。
require_index (bool) - 如果为True,则输出中带有最大池化点所在的索引。如果pool_type为avg,该项不可被设置为True,默认False。
name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
返回¶
Variable(Tensor) 自适应池化结果张量
返回类型¶
变量(Variable),数据类型与 input
一致
抛出异常¶
ValueError
–pool_type
不是 ‘max’ 或 ‘avg’
ValueError
– 当pool_type
是 ‘avg’ 时,错误地设置 ‘require_index’ 为true 。
ValueError
–pool_size
应为一个长度为3的列表或元组
# average adaptive pool2d
# 假设输入形为[N, C, D, H, W], `pool_size` 为 [l, m, n],
# 输出形为 [N, C, l, m, n], adaptive pool 将输入的D, H 和 W 维度
# 平均分割为 l * m * n 个栅格(grid),然后为每个栅格进行池化得到输出
# adaptive average pool 进行如下操作
#
# for i in range(l):
# for j in range(m):
# for k in range(n):
# dstart = floor(i * D / l)
# dend = ceil((i + 1) * D / l)
# hstart = floor(j * H / m)
# hend = ceil((j + 1) * H / m)
# wstart = floor(k * W / n)
# wend = ceil((k + 1) * W / n)
# output[:, :, i, j, k] =
# avg(input[:, :, dstart:dend, hstart: hend, wstart: wend])
#
import paddle.fluid as fluid
data = fluid.data(name='data', shape=[None, 3, 32, 32, 32], dtype='float32')
pool_out = fluid.layers.adaptive_pool3d(
input=data,
pool_size=[3, 3, 3],
pool_type='avg')
# max adaptive pool2d
# 假设输入形为[N, C, D, H, W], `pool_size` 为 [l, m, n],
# 输出形为 [N, C, l, m, n], adaptive pool 将输入的D, H 和 W 维度
# 平均分割为 l * m * n 个栅格(grid),然后为每个栅格进行池化得到输出
# adaptive average pool 进行如下操作
#
# for i in range(l):
# for j in range(m):
# for k in range(n):
# dstart = floor(i * D / l)
# dend = ceil((i + 1) * D / l)
# hstart = floor(j * H / m)
# hend = ceil((j + 1) * H / m)
# wstart = floor(k * W / n)
# wend = ceil((k + 1) * W / n)
# output[:, :, i, j, k] =
# avg(input[:, :, dstart:dend, hstart: hend, wstart: wend])
#
import paddle.fluid as fluid
data = fluid.data(name='data', shape=[None, 3, 32, 32, 32], dtype='float32')
pool_out = fluid.layers.adaptive_pool3d(
input=data,
pool_size=[3, 3, 3],
pool_type='max')