adaptive_max_pool2d¶

paddle.nn.functional. adaptive_max_pool2d ( x, output_size, return_mask=False, name=None ) [源代码] ¶

根据输入 x , output_size 等参数对一个输入 Tensor 计算 2D 的自适应最大值池化。输入和输出都是 4-D Tensor，默认是以 NCHW 格式表示的，其中 N 是 batch size, C 是通道数，H 是输入特征的高度，W 是输入特征的宽度。

注解

详细请参考对应的 Class 请参考：AdaptiveMaxPool2D 。

参数¶

x (Tensor)：当前算子的输入，其是一个形状为 [N, C, H, W] 的 4-D Tensor。其中 N 是 batch size, C 是通道数，H 是输入特征的高度，W 是输入特征的宽度。其数据类型为 float32 或者 float64。

output_size (int|list|tuple)：算子输出特征图的长度，其数据类型为 int 或 list，tuple。

return_mask (bool，可选)：如果设置为 True，则会与输出一起返回最大值的索引，默认为 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¶

Tensor，输入 x 经过自适应池化计算得到的目标 4-D Tensor，其数据类型与输入相同。

代码示例¶

          # max adaptive pool2d
# suppose input data in the shape of [N, C, H, W], `output_size` is [m, n]
# output shape is [N, C, m, n], adaptive pool divide H and W dimensions
# of input data into m*n grids averagely and performs poolings in each
# grid to get output.
# adaptive max pool performs calculations as follow:
#
#     for i in range(m):
#         for j in range(n):
#             hstart = floor(i * H / m)
#             hend = ceil((i + 1) * H / m)
#             wstart = floor(i * W / n)
#             wend = ceil((i + 1) * W / n)
#             output[:, :, i, j] = max(input[:, :, hstart: hend, wstart: wend])
#
import paddle

input_data = paddle.randn(shape=(2, 3, 32, 32))
out = paddle.nn.functional.adaptive_max_pool2d(
              x = input_data,
              output_size=[3, 3])
# out.shape is [2, 3, 3, 3]

         