比较与tf.nn.max_pool2d的功能差异

tf.nn.max_pool2d

tf.nn.max_pool2d(
    input,
    ksize,
    strides,
    padding,
    data_format='NHWC',
    name=None
) -> Tensor

更多内容详见tf.nn.max_pool2d。

mindspore.nn.MaxPool2d

class mindspore.nn.MaxPool2d(
    kernel_size=1,
    stride=1,
    pad_mode='valid',
    data_format='NCHW'
)(x) -> Tensor

更多内容详见mindspore.nn.MaxPool2d。

差异对比

TensorFlow：对输入的多维数据进行二维的最大池化运算。

MindSpore：MindSpore此API实现功能与TensorFlow基本一致。

分类	子类	TensorFlow	MindSpore	差异
参数	参数1	input	x	功能一致，参数名不同
	参数2	ksize	kernel_size	功能一致，参数名不同，TensorFlow无默认值
	参数3	strides	stride	功能一致，参数名不同，TensorFlow无默认值
	参数4	padding	pad_mode	功能一致，参数名不同，TensorFlow无默认值。更多内容详见Conv 和 Pooling
	参数5	data_format	data_format	-
	参数6	name	-	不涉及

代码示例1

在TensorFlow中，当padding=”SAME”时，对应MindSpore中pad_mode=”same”，data_format=”NHWC”，再设置ksize=3，strides=2，对输入数据进行二维的最大池化运算，两API实现相同的功能。

# TensorFlow
import tensorflow as tf

x = tf.constant([[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10], [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]]]], dtype=tf.float32)
output = tf.nn.max_pool2d(x, ksize=3, strides=2, padding="SAME")
print(output.shape)
# (1, 1, 1, 10)

# MindSpore
import mindspore
import numpy as np
from mindspore import context
from mindspore import Tensor

device = context.get_context("device_target")
x = Tensor(np.array([[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10], [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]]]]).astype(np.float32))
if device == "Ascend" or device == "CPU":
    max_pool = mindspore.nn.MaxPool2d(kernel_size=3, stride=2, pad_mode='same')
    x = mindspore.ops.transpose(x, (0, 3, 2, 1))
    output = max_pool(mindspore.Tensor(x))
    output = mindspore.ops.transpose(output, (0, 3, 2, 1))
    print(output.shape)
# (1, 1, 1, 10)
else:
    max_pool = mindspore.nn.MaxPool2d(kernel_size=3, stride=2, pad_mode='same', data_format='NHWC')
    output = max_pool(x)
    print(output.shape)
# (1, 1, 1, 10)