adaptive_max_pool2d¶
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])
>>> print(out.shape)
[2, 3, 3, 3]