FractionalMaxPool2D¶
- class paddle.nn. FractionalMaxPool2D ( output_size, kernel_size=None, random_u=None, return_mask=False, name=None ) [源代码] ¶
对输入的 Tensor x 采取 2 维分数阶最大值池化操作，具体可以参考论文：
[1] Ben Graham, Fractional Max-Pooling. 2015. http://arxiv.org/abs/1412.6071
其中输出的 H 和 W 由参数 output_size 决定。
对于各个输出维度，分数阶最大值池化的计算公式为：
公式中的 u 即为函数中的参数 random_u。另外，由于 ceil 对于正小数的操作最小值为 1 ，因此这里需要再减去 1 使索引可以从 0 开始计数。
例如，有一个长度为 7 的序列 [2, 4, 3, 1, 5, 2, 3] ， output_size 为 5 ， random_u 为 0.3。 则由上述公式可得 alpha = 7/5 = 1.4 ， 索引的起始序列为 [0, 1, 3, 4, 6] ，索引的截止序列为 [1, 3, 4, 6, 7] 。 进而得到论文中的随机序列为 index_end - index_start = [1, 2, 1, 2, 1] 。 由于池化操作的步长与核尺寸相同，同为此随机序列，最终得到池化输出为 [2, 4, 1, 5, 3] 。
参数¶
output_size (int|list|tuple)：算子输出图的尺寸，其数据类型为 int 或 list，tuple。如果输出为 tuple 或者 list，则必须包含两个元素， (H, W) 。 H 和 W 可以是 int ，也可以是 None ，表示与输入保持一致。
kernel_size (int|list|tuple, 可选) - 池化核大小。如果它是一个元组或列表，它必须包含两个整数值，(pool_size_Height, pool_size_Width)。若为一个整数，则表示 H 和 W 维度上均为该值，比如若 pool_size=2，则池化核大小为 [2,2]。默认为 None，表示使用 disjoint (non-overlapping) 模式。
random_u (float)：分数阶池化操作的浮点随机数，取值范围为 (0, 1) 。默认为 None ，由框架随机生成，可以使用 paddle.seed 设置随机种子。
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。
形状¶
x (Tensor)：默认形状为（批大小，通道数，输出特征长度，宽度），即 NCHW 格式的 4-D Tensor。其数据类型为 float16, bfloat16, float32, float64。
output (Tensor)：默认形状为（批大小，通道数，输出特征长度，宽度），即 NCHW 格式的 4-D Tensor。其数据类型与输入 x 相同。
返回¶
计算 FractionalMaxPool2D 的可调用对象
代码示例¶
>>> # fractional max pool2d
>>> # suppose input data in shape of [N, C, H, W], `output_size` is [m, n],
>>> # output shape is [N, C, m, n], fractional pool divide H and W dimensions
>>> # of input data into m * n grids and performs poolings in each
>>> # grid to get output.
>>> import paddle
>>> x = paddle.rand([2, 3, 32, 32])
>>> # disjoint: without `kernel_size`
>>> fractional_max_pool = paddle.nn.FractionalMaxPool2D(output_size=3)
>>> pool_out = fractional_max_pool(x=x)
>>> print(pool_out.shape)
[2, 3, 3, 3]
>>> # overlapping: with `kernel_size`
>>> fractional_max_pool = paddle.nn.FractionalMaxPool2D(kernel_size=2, output_size=3)
>>> pool_out = fractional_max_pool(x=x)
>>> print(pool_out.shape)
[2, 3, 3, 3]
>>> fractional_max_pool = paddle.nn.FractionalMaxPool2D(output_size=[2, 3], return_mask=True)
>>> pool_out, indices = fractional_max_pool(x=x)
>>> print(pool_out.shape)
[2, 3, 2, 3]
>>> print(indices.shape)
[2, 3, 2, 3]