最大池化

最大池化 - 22

版本

  • 名称: MaxPool (GitHub)

  • 域: main

  • 自版本: 22

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自版本22起可用。

摘要

最大池化接收一个输入张量X，并根据内核大小、步长大小和填充长度对张量应用最大池化。最大池化包括根据内核大小计算输入张量子集的所有值的最大值，并将数据下采样到输出张量Y中以进行进一步处理。输出空间形状的计算方式根据是否使用显式填充（使用pads）或自动填充（使用auto_pad）而有所不同。使用显式填充(https://pytorch.ac.cn/docs/stable/generated/torch.nn.MaxPool2d.html?highlight=maxpool#torch.nn.MaxPool2d)

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

如果启用了ceil_mode。pad_shape[i]是沿轴i的pads之和。将忽略在右侧填充区域开始的滑动窗口。

auto_pad是一个已弃用的属性。如果您当前正在使用它们，则在启用ceil_mode时，输出空间形状将如下所示

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

或在禁用ceil_mode时(https://tensorflowcn.cn/api_docs/python/tf/keras/layers/AveragePooling2D)

VALID: output_spatial_shape[i] = floor((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i]) + 1
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = floor((input_spatial_shape[i] - 1) / strides_spatial_shape[i]) + 1

如果SAME_UPPER或SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每个池化窗口的输出是除了填充之外元素的最大值。

属性

  • auto_pad - 字符串（默认值为'NOTSET'）

    auto_pad必须为NOTSET、SAME_UPPER、SAME_LOWER或VALID之一。默认值为NOTSET，表示使用显式填充。SAME_UPPER或SAME_LOWER表示填充输入，以便对于每个轴i，output_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均分配或几乎平均分配（取决于它是偶数还是奇数）。如果填充是奇数，则对于SAME_UPPER，额外填充添加到末尾，对于SAME_LOWER，添加到开头。

  • ceil_mode - 整数（默认值为'0'）

    是否使用ceil或floor（默认值）来计算输出形状。

  • dilations - 整数列表 :

    滤波器沿每个空间轴的扩张值。如果不存在，则每个空间轴的扩张默认为1。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于0的值。该值表示添加到相应轴的开头和结尾部分的像素数。pads格式应如下所示：[x1_begin, x2_begin…x1_end, x2_end…]，其中xi_begin是添加到轴i开头的像素数，xi_end是添加到轴i结尾的像素数。此属性不能与auto_pad属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为0。

  • storage_order - 整数（默认值为'0'）

    张量的存储顺序。0是行主序，1是列主序。此属性仅用于将n元组索引值转换为单个整数值，以生成第二个输出。

  • strides - 整数列表 :

    沿每个空间轴的步长。如果不存在，则每个空间轴的步长默认为1。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为(N x C x H x W)，其中N是批次大小，C是通道数，H和W是数据的高度和宽度。对于非图像情况，维度为(N x C x D1 x D2 … Dn)的形式，其中N是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以[DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]的维度表示到达。

输出

1到2个输出。

  • Y（异构） - T

    来自跨输入张量的平均或最大池化的输出数据张量。维度将根据不同的内核、步长和填充大小而有所不同。使用维度的向下取整值

  • Indices（可选，异构） - I

    来自跨输入张量的最大池化的索引张量。索引的维度与输出张量相同。索引中的值是在池化期间选择的值的索引。索引计算为扁平化的1维张量，并且索引不考虑填充。因此，索引中的值在[0, N x C x D1 x … x Dn)范围内。

类型约束

  • T in ( tensor(bfloat16), tensor(double), tensor(float), tensor(float16), tensor(int8), tensor(uint8) )

    将输入和输出类型限制为浮点型和 8 位张量。

  • I in ( tensor(int64) )

    将索引张量限制为 int64

MaxPool - 12

版本

  • 名称: MaxPool (GitHub)

  • 域: main

  • since_version: 12

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 12起可用。

摘要

最大池化接收一个输入张量X，并根据内核大小、步长大小和填充长度对张量应用最大池化。最大池化包括根据内核大小计算输入张量子集的所有值的最大值，并将数据下采样到输出张量Y中以进行进一步处理。输出空间形状的计算方式根据是否使用显式填充（使用pads）或自动填充（使用auto_pad）而有所不同。使用显式填充(https://pytorch.ac.cn/docs/stable/generated/torch.nn.MaxPool2d.html?highlight=maxpool#torch.nn.MaxPool2d)

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

如果启用 ceil_mode。 pad_shape[i] 是沿轴 i 的填充总和。

auto_pad是一个已弃用的属性。如果您当前正在使用它们，则在启用ceil_mode时，输出空间形状将如下所示

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

或在禁用ceil_mode时(https://tensorflowcn.cn/api_docs/python/tf/keras/layers/AveragePooling2D)

VALID: output_spatial_shape[i] = floor((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i]) + 1
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = floor((input_spatial_shape[i] - 1) / strides_spatial_shape[i]) + 1

如果SAME_UPPER或SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每个池化窗口的输出是除了填充之外元素的最大值。

属性

  • auto_pad - 字符串（默认值为'NOTSET'）

    auto_pad必须为NOTSET、SAME_UPPER、SAME_LOWER或VALID之一。默认值为NOTSET，表示使用显式填充。SAME_UPPER或SAME_LOWER表示填充输入，以便对于每个轴i，output_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均分配或几乎平均分配（取决于它是偶数还是奇数）。如果填充是奇数，则对于SAME_UPPER，额外填充添加到末尾，对于SAME_LOWER，添加到开头。

  • ceil_mode - 整数（默认值为'0'）

    是否使用ceil或floor（默认值）来计算输出形状。

  • dilations - 整数列表 :

    滤波器沿每个空间轴的扩张值。如果不存在，则每个空间轴的扩张默认为1。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于0的值。该值表示添加到相应轴的开头和结尾部分的像素数。pads格式应如下所示：[x1_begin, x2_begin…x1_end, x2_end…]，其中xi_begin是添加到轴i开头的像素数，xi_end是添加到轴i结尾的像素数。此属性不能与auto_pad属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为0。

  • storage_order - 整数（默认值为'0'）

    张量的存储顺序。0是行主序，1是列主序。此属性仅用于将n元组索引值转换为单个整数值，以生成第二个输出。

  • strides - 整数列表 :

    沿每个空间轴的步长。如果不存在，则每个空间轴的步长默认为1。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为(N x C x H x W)，其中N是批次大小，C是通道数，H和W是数据的高度和宽度。对于非图像情况，维度为(N x C x D1 x D2 … Dn)的形式，其中N是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以[DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]的维度表示到达。

输出

1到2个输出。

  • Y（异构） - T

    来自跨输入张量的平均或最大池化的输出数据张量。维度将根据不同的内核、步长和填充大小而有所不同。使用维度的向下取整值

  • Indices（可选，异构） - I

    来自跨输入张量的最大池化的索引张量。索引的维度与输出张量相同。索引中的值是在池化期间选择的值的索引。索引计算为扁平化的1维张量，并且索引不考虑填充。因此，索引中的值在[0, N x C x D1 x … x Dn)范围内。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16), tensor(int8), tensor(uint8) )

    将输入和输出类型限制为浮点型和 8 位张量。

  • I in ( tensor(int64) )

    将索引张量限制为 int64

MaxPool - 11

版本

  • 名称: MaxPool (GitHub)

  • 域: main

  • since_version: 11

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 11起可用。

摘要

MaxPool 使用输入张量 X 并根据内核大小、步幅大小和填充长度对张量应用最大池化。最大池化包括根据内核大小计算输入张量子集的所有值的最大值，并将数据下采样到输出张量 Y 以进行进一步处理。输出空间形状将遵循以下规则

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i] + 1)

如果启用了 ceil_mode

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您目前正在使用它们，则输出空间形状将遵循以下规则

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

如果SAME_UPPER或SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每个池化窗口的输出是除了填充之外元素的最大值。

属性

  • auto_pad - 字符串（默认值为'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便输出空间大小与 input.In 匹配，在 SAME_UPPER 情况下，奇数时在末尾添加额外的填充，在 SAME_LOWER 情况下在开头添加。VALID 表示不填充。

  • ceil_mode - 整数（默认值为'0'）

    是否使用ceil或floor（默认值）来计算输出形状。

  • dilations - 整数列表 :

    滤波器沿每个空间轴的扩张值。如果不存在，则每个空间轴的扩张默认为1。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于0的值。该值表示添加到相应轴的开头和结尾部分的像素数。pads格式应如下所示：[x1_begin, x2_begin…x1_end, x2_end…]，其中xi_begin是添加到轴i开头的像素数，xi_end是添加到轴i结尾的像素数。此属性不能与auto_pad属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为0。

  • storage_order - 整数（默认值为'0'）

    张量的存储顺序。0 为行优先，1 为列优先。

  • strides - 整数列表 :

    沿每个空间轴的步长。如果不存在，则每个空间轴的步长默认为1。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为(N x C x H x W)，其中N是批次大小，C是通道数，H和W是数据的高度和宽度。对于非图像情况，维度为(N x C x D1 x D2 … Dn)的形式，其中N是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以[DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]的维度表示到达。

输出

1到2个输出。

  • Y（异构） - T

    来自跨输入张量的平均或最大池化的输出数据张量。维度将根据不同的内核、步长和填充大小而有所不同。使用维度的向下取整值

  • Indices（可选，异构） - I

    来自跨输入张量的最大池化的索引张量。索引的维度与输出张量相同。索引中的值是在池化期间选择的值的索引。索引计算为扁平化的1维张量，并且索引不考虑填充。因此，索引中的值在[0, N x C x D1 x … x Dn)范围内。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型限制为浮点型张量。

  • I in ( tensor(int64) )

    将索引张量限制为 int64

MaxPool - 10

版本

  • 名称: MaxPool (GitHub)

  • 域: main

  • since_version: 10

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 10起可用。

摘要

MaxPool 使用输入张量 X 并根据内核大小、步幅大小和填充长度对张量应用最大池化。最大池化包括根据内核大小计算输入张量子集的所有值的最大值，并将数据下采样到输出张量 Y 以进行进一步处理。输出空间形状将遵循以下规则

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i] + 1)

如果启用了 ceil_mode

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您目前正在使用它们，则输出空间形状将遵循以下规则

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

如果SAME_UPPER或SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每个池化窗口的输出是除了填充之外元素的最大值。

属性

  • auto_pad - 字符串（默认值为'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便输出空间大小与 input.In 匹配，在 SAME_UPPER 情况下，奇数时在末尾添加额外的填充，在 SAME_LOWER 情况下在开头添加。VALID 表示不填充。

  • ceil_mode - 整数（默认值为'0'）

    是否使用ceil或floor（默认值）来计算输出形状。

  • dilations - 整数列表 :

    滤波器沿每个空间轴的膨胀值。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于0的值。该值表示添加到相应轴的开头和结尾部分的像素数。pads格式应如下所示：[x1_begin, x2_begin…x1_end, x2_end…]，其中xi_begin是添加到轴i开头的像素数，xi_end是添加到轴i结尾的像素数。此属性不能与auto_pad属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为0。

  • storage_order - 整数（默认值为'0'）

    张量的存储顺序。0 为行优先，1 为列优先。

  • strides - 整数列表 :

    沿每个空间轴的步幅。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为(N x C x H x W)，其中N是批次大小，C是通道数，H和W是数据的高度和宽度。对于非图像情况，维度为(N x C x D1 x D2 … Dn)的形式，其中N是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以[DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]的维度表示到达。

输出

1到2个输出。

  • Y（异构） - T

    来自跨输入张量的平均或最大池化的输出数据张量。维度将根据不同的内核、步长和填充大小而有所不同。使用维度的向下取整值

  • Indices（可选，异构） - I

    来自跨输入张量的最大池化的索引张量。索引的维度与输出张量相同。索引中的值是在池化期间选择的值的索引。索引计算为扁平化的1维张量，并且索引不考虑填充。因此，索引中的值在[0, N x C x D1 x … x Dn)范围内。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型限制为浮点型张量。

  • I in ( tensor(int64) )

    将索引张量限制为 int64

MaxPool - 8

版本

  • 名称: MaxPool (GitHub)

  • 域: main

  • since_version: 8

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 8起可用。

摘要

MaxPool 使用输入张量 X 并根据内核大小、步幅大小和填充长度对张量应用最大池化。最大池化包括根据内核大小计算输入张量子集的所有值的最大值，并将数据下采样到输出张量 Y 以进行进一步处理。输出空间形状将遵循以下规则

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - kernel_spatial_shape[i]) / strides_spatial_shape[i] + 1)

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您目前正在使用它们，则输出空间形状将遵循以下规则

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - kernel_spatial_shape[i] + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

如果SAME_UPPER或SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每个池化窗口的输出是除了填充之外元素的最大值。

属性

  • auto_pad - 字符串（默认值为'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便输出空间大小与 input.In 匹配，在 SAME_UPPER 情况下，奇数时在末尾添加额外的填充，在 SAME_LOWER 情况下在开头添加。VALID 表示不填充。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于0的值。该值表示添加到相应轴的开头和结尾部分的像素数。pads格式应如下所示：[x1_begin, x2_begin…x1_end, x2_end…]，其中xi_begin是添加到轴i开头的像素数，xi_end是添加到轴i结尾的像素数。此属性不能与auto_pad属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为0。

  • storage_order - 整数（默认值为'0'）

    张量的存储顺序。0 为行优先，1 为列优先。

  • strides - 整数列表 :

    沿每个空间轴的步幅。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为(N x C x H x W)，其中N是批次大小，C是通道数，H和W是数据的高度和宽度。对于非图像情况，维度为(N x C x D1 x D2 … Dn)的形式，其中N是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以[DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]的维度表示到达。

输出

1到2个输出。

  • Y（异构） - T

    来自跨输入张量的平均或最大池化的输出数据张量。维度将根据不同的内核、步长和填充大小而有所不同。使用维度的向下取整值

  • Indices（可选，异构） - I

    来自跨输入张量的最大池化的索引张量。索引的维度与输出张量相同。索引中的值是在池化期间选择的值的索引。索引计算为扁平化的1维张量，并且索引不考虑填充。因此，索引中的值在[0, N x C x D1 x … x Dn)范围内。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型限制为浮点型张量。

  • I in ( tensor(int64) )

    将索引张量限制为 int64

MaxPool - 1

版本

  • 名称: MaxPool (GitHub)

  • 域: main

  • since_version: 1

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 1起可用。

摘要

MaxPool 使用输入张量 X 并根据内核大小、步幅大小和填充长度对张量应用最大池化。最大池化包括根据内核大小计算输入张量子集的所有值的最大值，并将数据下采样到输出张量 Y 以进行进一步处理。输出空间形状将遵循以下规则

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - kernel_spatial_shape[i]) / strides_spatial_shape[i] + 1)

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您目前正在使用它们，则输出空间形状将遵循以下规则

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - kernel_spatial_shape[i] + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

如果SAME_UPPER或SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每个池化窗口的输出是除了填充之外元素的最大值。

属性

  • auto_pad - 字符串（默认值为'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便输出空间大小与 input.In 匹配，在 SAME_UPPER 情况下，奇数时在末尾添加额外的填充，在 SAME_LOWER 情况下在开头添加。VALID 表示不填充。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于0的值。该值表示添加到相应轴的开头和结尾部分的像素数。pads格式应如下所示：[x1_begin, x2_begin…x1_end, x2_end…]，其中xi_begin是添加到轴i开头的像素数，xi_end是添加到轴i结尾的像素数。此属性不能与auto_pad属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为0。

  • strides - 整数列表 :

    沿每个空间轴的步幅。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为(N x C x H x W)，其中N是批次大小，C是通道数，H和W是数据的高度和宽度。对于非图像情况，维度为(N x C x D1 x D2 … Dn)的形式，其中N是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以[DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]的维度表示到达。

输出

  • Y（异构） - T

    来自跨输入张量的平均或最大池化的输出数据张量。维度将根据不同的内核、步长和填充大小而有所不同。使用维度的向下取整值

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型限制为浮点型张量。