max_unpool3d

paddle.nn.functional. max_unpool3d ( x, indices, kernel_size, stride=None, padding=0, data_format='NCDHW', output_size=None, name=None ) [源代码]

这个 API 实现了 3D 最大反池化 操作

注解

更多细节请参考对应的 Class 请参考 MaxUnPool3D 。

输入：

X 形状：\((N, C, D_{in}, H_{in}, W_{in})\)

输出：

Output 形状：\((N, C, D_{out}, H_{out}, W_{out})\) 具体计算公式为

\[D_{out} = (D_{in} - 1) \times \text{stride[0]} - 2 \times \text{padding[0]} + \text{kernel_size[0]}\]
\[H_{out} = (H_{in} - 1) \times \text{stride[1]} - 2 \times \text{padding[1]} + \text{kernel_size[1]}\]
\[W_{out} = (W_{in} - 1) \times \text{stride[2]} - 2 \times \text{padding[2]} + \text{kernel_size[2]}\]

或由参数 output_size 直接指定

参数

  • x (Tensor) - 形状为 [N,C,D,H,W] 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。

  • indices (Tensor) - 形状为 [N,C,D,H,W] 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 int32。

  • kernel_size (int|list|tuple) - 反池化的滑动窗口大小。

  • stride (int|list|tuple，可选) - 池化层的步长。如果它是一个元组或列表，它必须是三个相等的整数，(pool_stride_Depth, pool_stride_Height, pool_stride_Width)，默认值：None。

  • padding (str|int|list|tuple，可选) - 池化填充，默认值：0。

  • output_size (list|tuple，可选) - 目标输出尺寸。如果 output_size 没有被设置，则实际输出尺寸会通过(input_shape, kernel_size, stride, padding)自动计算得出，默认值：None。

  • data_format (str，可选) - 输入和输出的数据格式，只能是"NCDHW"。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："NCDHW"

  • 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

5-D Tensor，unpooling 的计算结果。

代码示例

import paddle
import paddle.nn.functional as F

data = paddle.rand(shape=[1, 1, 4, 4, 6])
pool_out, indices = F.max_pool3d(data, kernel_size=2, stride=2, padding=0, return_mask=True)
# pool_out shape: [1, 1, 2, 2, 3],  indices shape: [1, 1, 2, 2, 3]
unpool_out = F.max_unpool3d(pool_out, indices, kernel_size=2, padding=0)
# unpool_out shape: [1, 1, 4, 4, 6]