AdaptiveMaxPool1D¶
该算子根据输入 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.
计算公式如下:
\[ \begin{align}\begin{aligned}lstart &= floor(i * L_{in} / L_{out})\\lend &= ceil((i + 1) * L_{in} / L_{out})\\Output(i) &= max(Input[lstart:lend])\end{aligned}\end{align} \]
参数¶
output_size (int|list|tuple): 算子输出特征图的长度，其数据类型为int,list或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): 操作的名称(可选，默认值为None）。更多信息请参见 Name。
形状¶
x (Tensor): 默认形状为（批大小，通道数，输出特征长度），即NCL格式的3-D Tensor。 其数据类型为float32或者float64。
output (Tensor): 默认形状为（批大小，通道数，输出特征长度），即NCL格式的3-D Tensor。 其数据类型与输入x相同。
返回¶
计算AdaptiveMaxPool1D的可调用对象
抛出异常¶
ValueError-output_size应是一个整数或长度为1的list，tuple
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 as nn
import numpy as np
data = paddle.to_tensor(np.random.uniform(-1, 1, [1, 3, 32]).astype(np.float32))
AdaptiveMaxPool1D = nn.layer.AdaptiveMaxPool1D(output_size=16)
pool_out = AdaptiveMaxPool1D(data)
# pool_out shape: [1, 3, 16]
# for return_mask = true
AdaptiveMaxPool1D = nn.layer.AdaptiveMaxPool1D(output_size=16, return_mask=True)
pool_out, indices = AdaptiveMaxPool1D(data)
# pool_out shape: [1, 3, 16], indices shape: [1, 3, 16]