adaptive_max_pool3d¶
根据输入 x , output_size 等参数对一个输入 Tensor 计算 3D 的自适应最大值池化。输入和输出都是 5-D Tensor， 默认是以 NCDHW 格式表示的，其中 N 是 batch size, C 是通道数，D , H , W 是输入特征的深度，高度，宽度。
注解
详细请参考对应的 Class 请参考：AdaptiveMaxPool3D 。
参数¶
x (Tensor)：当前算子的输入，其是一个形状为 [N, C, D, H, W] 的 5-D Tensor。其中 N 是 batch size, C 是通道数，D , H , W 是输入特征的深度，高度，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 5-D Tensor，其数据类型与输入相同。
代码示例¶
# adaptive max pool3d
# suppose input data in the shape of [N, C, D, H, W], `output_size` is [l, m, n]
# output shape is [N, C, l, m, n], adaptive pool divide D, 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(l):
# for j in range(m):
# for k in range(n):
# dstart = floor(i * D / l)
# dend = ceil((i + 1) * D / l)
# 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, k] = max(input[:, :, dstart: dend, hstart: hend, wstart: wend])
#
import paddle
input_data = paddle.randn(shape=(2, 3, 8, 32, 32))
out = paddle.nn.functional.adaptive_max_pool3d(
x = input_data,
output_size=[3, 3, 3])
# out.shape is [2, 3, 3, 3, 3]