mindspore.nn.MaxUnpool1d

class mindspore.nn.MaxUnpool1d(kernel_size, stride=None, padding=0)

计算 mindspore.nn.MaxPool1d 的逆过程。 MaxUnPool1d 保留最大值并将所有非最大值置0。支持的输入数据格式为 $(N,C,H_{in})$ 或 $(C,H_{in})$ ，输出数据的格式为 $(N,C,H_{out})$ 或 $(C,H_{out})$ ，计算公式如下：

$$\begin{array}{r}\begin{array}{l}\\ H_{out}=(H_{in}-1)\times stride[0]-2\times padding[0]+kernel\mathrm{\_}size[0]\end{array}\end{array}$$

参数：

• kernel_size (Union[int, tuple[int]]) - 池化核尺寸大小。

• stride (Union[int, tuple[int]]) - 池化操作的移动步长，若取值为 None ， stride 值与 kernel_size 相同。默认值： None 。

• padding (Union[int, tuple[int]]) - 填充值。默认值： 0 。

输入：

• x (Tensor) - 待求逆的Tensor。shape为 $(N,C,H_{in})$ 或 $(C,H_{in})$ 。

• indices (Tensor) - 最大值的索引。shape必须与输入 x 相同。取值范围需满足 $[0,H_{in}-1]$ 。 数据类型必须是int32或int64。

• output_size (tuple[int], 可选) - 输出shape。默认值： None 。 如果output_size为 None ，那么输出shape根据 kernel_size 、 stride 和 padding 计算得出。 如果output_size不为 None ，那么 output_size 必须满足格式 $(N,C,H)$ ， $(C,H)$ 或 $(H)$ ，取值范围需满足： $[(N,C,H_{out}-stride[0]),(N,C,H_{out}+stride[0])]$ 。

输出：

shape为 $(N,C,H_{out})$ 或 $(C,H_{out})$ 的Tensor，数据类型与输入 x 相同。

异常：

• TypeError - x 或 indices 的数据类型不支持。

• TypeError - kernel_size ， stride 或 padding 既不是整数也不是tuple。

• ValueError - stride ， padding 或 kernel_size 的值不是非负的。

• ValueError - x 和 indices 的shape不一致。

• ValueError - x 的长度不是2或3。

• ValueError - output_size 的类型不是tuple。

• ValueError - output_size 的长度不为0、2或3。

• ValueError - output_size 的取值与根据 kernel_size , stride , padding 计算得到的结果差距太大。

支持平台：

GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> x = ms.Tensor(np.array([[2, 4, 6, 8]]).astype(np.float32))
>>> indices = ms.Tensor(np.array([[1, 3, 5, 7]]).astype(np.int64))
>>> maxunpool1d = ms.nn.MaxUnpool1d(kernel_size =2, stride=2, padding=0)
>>> output = maxunpool1d(x, indices)
>>> print(output.asnumpy())
[[0. 2. 0. 4. 0. 6. 0. 8.]]