mindspore.nn.MaxPool1d

class mindspore.nn.MaxPool1d(kernel_size=1, stride=1, pad_mode='valid')[源代码]

对输入的多维数据进行一维平面上的最大池化运算。

通常,输入的shape为 \((N_{in}, C_{in}, L_{in})\) ,MaxPool1d输出 \((L_{in})\) 维度区域最大值。 给定 kernel_sizestride ,公式如下:

\[\text{output}(N_i, C_j, l) = \max_{n=0, \ldots, kernel\_size-1} \text{input}(N_i, C_j, stride \times l + n)\]

Note

pad_mode仅支持”same”和”valid”。

参数:

  • kernel_size (int) - 指定池化核尺寸大小。默认值:1。

  • stride (int) - 池化操作的移动步长,数据类型为整型。默认值:1。

  • pad_mode (str) - 指定池化填充模式,取值为”same”或”valid”,不区分大小写。默认值:”valid”。

    • same - 输出的宽度与输入整数 stride 后的值相同。

    • valid - 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。

输入:

  • x (Tensor) - shape为 \((N, C, L_{in})\) 的Tensor。

输出:

shape为 \((N, C, L_{out})\) 的Tensor。

异常:

  • TypeError - kernel_sizestrides 不是整数。

  • ValueError - pad_mode 既不是’valid’,也不是’same’,不区分大小写。

  • ValueError - data_format 既不是’NCHW’也不是’NHWC’。

  • ValueError - kernel_sizestrides 小于1。

  • ValueError - x 的shape长度不等于4。

支持平台:

Ascend GPU CPU

样例:

>>> max_pool = nn.MaxPool1d(kernel_size=3, stride=1)
>>> x = Tensor(np.random.randint(0, 10, [1, 2, 4]), mindspore.float32)
>>> output = max_pool(x)
>>> result = output.shape
>>> print(result)
(1, 2, 2)