MaxPool2d

class torch.nn.MaxPool2d(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二维最大池化。

在最简单的情况下，输入尺寸为 $(N, C, H, W)$ 的层的输出值，输出 $(N, C, H_{out}, W_{out})$ 和 kernel_size $(kH, kW)$ 可以精确描述为：

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

如果padding不为零，则输入会在两侧隐式填充负无穷大，填充的点数为padding的数量。dilation控制卷积核点之间的间距。 这比较难以描述，但这个链接提供了一个很好的可视化效果，展示了dilation的作用。

注意

当 ceil_mode=True 时，滑动窗口允许超出边界，如果它们从左填充或输入区域内开始。从右填充区域开始的滑动窗口将被忽略。

参数 kernel_size, stride, padding, dilation 可以是：

• 一个单独的 int – 在这种情况下，高度和宽度维度使用相同的值

• 一个包含两个整数的元组 – 在这种情况下，第一个整数用于高度维度， 第二个整数用于宽度维度

Parameters

• kernel_size (Union[int, Tuple[int, int]]) – 窗口的大小，用于取最大值

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

• padding (Union[int, Tuple[int, int]]) – 在两侧添加的隐式负无穷填充

• dilation (Union[int, Tuple[int, int]]) – 一个控制窗口中元素步幅的参数

• return_indices (布尔值) – 如果 True，将返回最大值的索引以及输出。 对于稍后使用 torch.nn.MaxUnpool2d 很有用

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

Shape:

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

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

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

示例：

>>> # 大小为3，步幅为2的方形窗口池化
>>> m = nn.MaxPool2d(3, stride=2)
>>> # 非方形窗口池化
>>> m = nn.MaxPool2d((3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)