mindspore.ops.ExtractVolumePatches

class mindspore.ops.ExtractVolumePatches(kernel_size, strides, padding)[源代码]

从输入中提取数据，并将它放入”depth”输出维度中，”depth”为输出的第二维。

警告

这是一个实验性API，后续可能修改或删除。

参数：

  • kernel_size (Union[int, tuple[int], list[int]]) - 长度为3或5的int列表。输入每个维度表示滑动窗口大小。必须是： \([1, 1, k_d, k_h, k_w]\) 或 \([k_d, k_h, k_w]\) 。如果 \(k_d = k_h = k_w\) ，则可以输入整数。

  • strides (Union[int, tuple[int], list[int]]) - 长度为3或5的int列表。 两个连续色块的中心在输入中的距离。必须是： \([1, 1, s_d, s_h, s_w]\) 或 \([s_d, s_h, s_w]\) 。如果 \(s_d = s_h = s_w\) ，则可以输入整数。

  • padding (str) - 要使用的填充算法的类型。可选值有”SAME”和”VALID”。

输入：

  • input_x (Tensor) - 一个五维的输入Tensor。数据类型必须为float16、float32，shape为 \((x_n, x_c, x_d, x_h, x_w)\) 。

输出：

Tensor，与输入的类型相同。如果填充为”VALID”，则shape为 \((x_n, k_d * k_h * k_w * x_c, 1 + (x_d - k_d) / s_d, 1 + (x_h - k_h) / s_h, 1 + (x_w - k_w) / s_w)\) ；如果填充”SAME”，则shape为 \(( x_n, k_d * k_h * k_w * x_c, (x_d + s_d - 1) / s_d, (x_h + s_h - 1) / s_h, (x_w + s_w - 1) / s_w)\) 。

异常：

  • TypeError - 如果 kernel_size 或 strides 不是一个list，tuple或int。

  • TypeError - 如果 input_x 不是Tensor。

  • TypeError - 如果 padding 不是str。

  • ValueError - 如果 kernel_size 的长度不是3或5，并且 kernel_size 不是int。

  • ValueError - 如果 strides 的长度不是3或5，并且 strides 不是int。

  • ValueError - 如果 padding 既不是”VALID”也不是”SAME”。

  • ValueError - 如果 kernel_size 或 strides 的元素不是正整数。

  • ValueError - 如果 input_x 不是五维的Tensor。

  • ValueError - 如果 input_x 的shape含有0。

  • ValueError - 如果 kernel_size 或 strides 的前两个数不等于1。

  • ValueError - 如果 padding 为”VALID”，并且 \(input\_x - kernel\_size\) 在d、h或w维上小于0。

  • ValueError - 如果 padding 为”SAME”，并且 \(padding\_needed = ((input\_x + strides - 1) / strides - 1) * strides + kernel\_size - input\_x\) 在d、h或w维中小于0。

  • ValueError - 如果x_h不等于1或x_w不等于1，并且 \(x_w + padding\_needed - k_w - s_w\) 小于0。

  • ValueError - 如果 \(x_d * x_h * x_w\) 大于2048。

支持平台：

Ascend GPU CPU

样例：

>>> kernel_size = (1, 1, 2, 2, 2)
>>> strides = (1, 1, 1, 1, 1)
>>> padding = "VALID"
>>> input_x = ops.Reshape()(Tensor(np.arange(1, 28), mstype.float16), (1, 1, 3, 3, 3))
>>> output_y = ops.ExtractVolumePatches(kernel_size, strides, padding)(input_x)
>>> print(output_y.shape)
(1, 8, 2, 2, 2)