mindspore.ops.FractionalMaxPool

class mindspore.ops.FractionalMaxPool(pooling_ratio, pseudo_random=False, overlapping=False, deterministic=False, seed=0, seed2=0)[源代码]

在输入上执行分数最大池化。

分数最大池化类似于常规最大池化。在常规最大池中，通过获取集合中较小N×N子部分的最大值(通常为2x2)来缩小输入集的大小，并尝试将集合减少N倍，其中N是整数。

分数最大池化意味着整体缩减比率N不必是整数。池区域的大小是随机生成的，但是相当均匀。

警告

pooling_ratio 当前只支持行和列轴，并行大于1.0，第一个和最后一个元素必须为1.0，因为我们不允许对batch和通道轴进行池化。

参数：

pooling_ratio (list(float)) - 决定了输出的shape，floats列表，长度大于等于4。对每个轴的value应该大于等于0，目前仅支持行和列维度。第一个和最后一个元素必须为1.0，因为我们不允许对batch和通道轴进行池化。
pseudo_random (bool，可选) - 当设置为True时，以伪随机方式生成池序列,否则以随机方式生成池序列。默认为False。查看文章 Fractional Max-Pooling 以了解伪随机和随机之间的差异。
overlapping (bool，可选) - 当设置为True时，表示池化时，两个单元格都使用相邻池化单元边界的值，设置为False时，表示值不进行重复使用。默认为False。
deterministic (bool，可选) - 当设置为True时，将在计算图中的FractionalMaxPool节点上进行迭代时使用固定池区域。主要用于单元测试，使FractionalMaxPool具有确定性。当设置为False时，将不使用固定池区域。默认为False。
seed (int，可选) - 如果seed或seed2被设置为非零，则随机数生成器由给定的seed生成，否则，它由随机种子生成。默认为0。
seed2 (int，可选) - 第二个seed，以避免发生seed碰撞。默认为0。

输入：

x (Tensor) - 数据类型必须为：float32、float64、int32、int64。shape为： \((N, H_{in}, W_{in}, C_{in})\) 。

输出：

y (Tensor) - 一个Tensor，FractionalMaxPool的输出，与 x 具有相同的数据类型，shape为： \((N, H_{out}, W_{out}, C_{out})\) 。
row_pooling_sequence (Tensor) - 一个Tensor，池边界行的结果列表，数据类型为int64。
col_pooling_sequence (Tensor) - 一个Tensor，池边界列的结果列表，数据类型为int64。

异常：

TypeError - 如果 x 数据类型不是：float32、float64、int32或者int64。
TypeError - 如果 x 不是一个4D的Tensor。
ValueError - 如果 x 的元素等于0或者小于0。
ValueError - 如果 pooling_ratio 是一个列表，其长度不等于4。
ValueError - 如果 pooling_ratio 的第一个和最后一个值不等于1.0。

支持平台：

GPU CPU

样例：

>>> x = np.array([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16]).reshape([1,4,4,1]).astype(np.int64)
>>> pooling_ratio=[1.0,1.5,1.5,1.0]
>>> fractionalmaxpool_op = ops.FractionalMaxPool(pooling_ratio=pooling_ratio)
>>> output = fractionalmaxpool_op(Tensor(x))
>>> print(output)
(Tensor(shape=[1, 2, 2, 1], dtype=Int64, value=
[[[[ 6],
   [ 8]],
  [[14],
   [16]]]]), Tensor(shape=[3], dtype=Int64, value= [0, 2, 4]), Tensor(shape=[3], dtype=Int64, value= [0, 2, 4]))