adaptive_max_pool1d¶

paddle.nn.functional. adaptive_max_pool1d ( 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 1D 的自适应最大值池化。输入和输出都是 3-D Tensor，默认是以 NCL 格式表示的，其中 N 是 batch size, C 是通道数，L 是输入特征的长度。

注解

详细请参考对应的 Class 请参考：AdaptiveMaxPool1D 。

参数¶

x (Tensor)：当前算子的输入，其是一个形状为 [N, C, L] 的 3-D Tensor。其中 N 是 batch size, C 是通道数，L 是输入特征的长度。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)：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 3-D Tensor，其数据类型与输入相同。

代码示例¶

          >>> # max adaptive pool1d
>>> # suppose input data in shape of [N, C, L], `output_size` is m or [m],
>>> # output shape is [N, C, m], adaptive pool divide L dimension
>>> # of input data into m grids averagely and performs poolings in each
>>> # grid to get output.
>>> # adaptive max pool performs calculations as follow:
>>> #
>>> #     for i in range(m):
>>> #         lstart = floor(i * L / m)
>>> #         lend = ceil((i + 1) * L / m)
>>> #         output[:, :, i] = max(input[:, :, lstart: lend])
>>> #
>>> import paddle
>>> import paddle.nn.functional as F

>>> data = paddle.uniform([1, 3, 32], paddle.float32)
>>> pool_out = F.adaptive_max_pool1d(data, output_size=16)
>>> print(pool_out.shape)
[1, 3, 16]
>>> pool_out, indices = F.adaptive_max_pool1d(data, output_size=16, return_mask=True)
>>> print(pool_out.shape)
[1, 3, 16]
>>> print(indices.shape)
[1, 3, 16]

         