MaxUnpool2d¶

class torch.nn.MaxUnpool2d(kernel_size, stride=None, padding=0)[源代码]¶

计算MaxPool2d的部分逆。

MaxPool2d 并不是完全可逆的，因为非最大值会丢失。

MaxUnpool2d 接受 MaxPool2d 的输出作为输入，包括最大值的索引，并计算一个部分逆运算，其中所有非最大值都设置为零。

注意

当输入索引有重复值时，此操作可能会表现出不确定性。请参阅 https://github.com/pytorch/pytorch/issues/80827 和可重复性以获取更多信息。

注意

MaxPool2d 可以将多个输入大小映射到相同的输出大小。因此，反向过程可能会变得不明确。为了适应这种情况，您可以在前向调用中提供所需的输出大小作为额外参数 output_size。请参阅下面的输入和示例。

Parameters

kernel_size (整数或元组) – 最大池化窗口的大小。
步幅 (整数或元组) – 最大池化窗口的步幅。默认情况下设置为 kernel_size。
填充 (int 或 tuple) – 添加到输入的填充

Inputs:

输入: 要反转的输入张量
indices: 由 MaxPool2d 给出的索引
output_size（可选）：目标输出大小

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

$H_{out} = (H_{in} - 1) \times \text{stride[0]} - 2 \times \text{padding[0]} + \text{kernel\_size[0]}$
$W_{out} = (W_{in} - 1) \times \text{stride[1]} - 2 \times \text{padding[1]} + \text{kernel\_size[1]}$
或由调用操作符中的 output_size 给出

示例：

>>> pool = nn.MaxPool2d(2, stride=2, return_indices=True)
>>> unpool = nn.MaxUnpool2d(2, stride=2)
>>> input = torch.tensor([[[[ 1.,  2.,  3.,  4.],
                            [ 5.,  6.,  7.,  8.],
                            [ 9., 10., 11., 12.],
                            [13., 14., 15., 16.]]]])
>>> output, indices = pool(input)
>>> unpool(output, indices)
tensor([[[[  0.,   0.,   0.,   0.],
          [  0.,   6.,   0.,   8.],
          [  0.,   0.,   0.,   0.],
          [  0.,  14.,   0.,  16.]]]])
>>> # 现在使用 output_size 来解决逆向操作中的尺寸模糊问题
>>> input = torch.torch.tensor([[[[ 1.,  2.,  3., 4., 5.],
                                  [ 6.,  7.,  8., 9., 10.],
                                  [11., 12., 13., 14., 15.],
                                  [16., 17., 18., 19., 20.]]]])
>>> output, indices = pool(input)
>>> # 如果不指定 output_size，这个调用将无法工作
>>> unpool(output, indices, output_size=input.size())
tensor([[[[ 0.,  0.,  0.,  0.,  0.],
          [ 0.,  7.,  0.,  9.,  0.],
          [ 0.,  0.,  0.,  0.,  0.],
          [ 0., 17.,  0., 19.,  0.]]]])