MaxPool3d

class torch.nn.MaxPool3d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

对由多个输入平面组成的输入信号应用 3D 最大池化。

在最简单的情况下，输入大小为 $(N, C, D, H, W)$ 的层，输出大小为 $(N, C, D_{out}, H_{out}, W_{out})$ 和 kernel_size $(kD, kH, kW)$ 可以精确地描述为

$$\begin{aligned} \text{out}(N_i, C_j, d, h, w) ={} & \max_{k=0, \ldots, kD-1} \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1} \\ & \text{input}(N_i, C_j, \text{stride[0]} \times d + k, \text{stride[1]} \times h + m, \text{stride[2]} \times w + n) \end{aligned}$$

如果 padding 非零，则输入在所有三个边上都隐式地用负无穷填充 padding 个点。dilation 控制内核点之间的间距。这很难描述，但是这个链接很好地可视化了 dilation 的作用。

注意

当 ceil_mode=True 时，如果滑动窗口在左侧填充或输入内启动，则允许滑动窗口越界。将忽略将在右侧填充区域中启动的滑动窗口。

参数 kernel_size、stride、padding、dilation 可以是：

• 单个 int – 在这种情况下，深度、高度和宽度维度都使用相同的值

• 一个包含三个整数的 tuple – 在这种情况下，第一个 int 用于深度维度，第二个 int 用于高度维度，第三个 int 用于宽度维度

参数

• kernel_size (Union[int, Tuple[int, int, int]]) – 用于取最大值的窗口大小

• stride (Union[int, Tuple[int, int, int]]) – 窗口的步幅。默认值是 kernel_size

• padding (Union[int, Tuple[int, int, int]]) – 要在所有三个边上添加的隐式负无穷填充

• dilation (Union[int, Tuple[int, int, int]]) – 用于控制窗口中元素步幅的参数

• return_indices (bool) – 如果为 True，将返回最大值的索引和输出。对后面的 torch.nn.MaxUnpool3d 非常有用

• ceil_mode (bool) – 当为 True 时，将使用 ceil 而不是 floor 来计算输出形状

形状

• 输入: $(N, C, D_{in}, H_{in}, W_{in})$ 或 $(C, D_{in}, H_{in}, W_{in})$。

• 输出： $(N, C, D_{out}, H_{out}, W_{out})$ 或 $(C, D_{out}, H_{out}, W_{out})$，其中

  $$D_{out} = \left\lfloor\frac{D_{in} + 2 \times \text{padding}[0] - \text{dilation}[0] \times (\text{kernel\_size}[0] - 1) - 1}{\text{stride}[0]} + 1\right\rfloor$$
  $$H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[1] - \text{dilation}[1] \times (\text{kernel\_size}[1] - 1) - 1}{\text{stride}[1]} + 1\right\rfloor$$
  $$W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[2] - \text{dilation}[2] \times (\text{kernel\_size}[2] - 1) - 1}{\text{stride}[2]} + 1\right\rfloor$$

示例

>>> # pool of square window of size=3, stride=2
>>> m = nn.MaxPool3d(3, stride=2)
>>> # pool of non-square window
>>> m = nn.MaxPool3d((3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50, 44, 31)
>>> output = m(input)