比较与torch.nn.MaxPool1d的功能差异

torch.nn.MaxPool1d

torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)(input) -> Tensor

更多内容详见torch.nn.MaxPool1d。

mindspore.nn.MaxPool1d

mindspore.nn.MaxPool1d(kernel_size=1, stride=1, pad_mode="valid", padding=0, dilation=1, return_indices=False, ceil_mode=False)(x) -> Tensor

更多内容详见mindspore.nn.MaxPool1d。

差异对比

PyTorch：对时间数据进行最大池化运算。

MindSpore：MindSpore此API实现功能同时兼容TensorFlow和PyTorch，pad_mode 为 “valid” 或者 “same” 时，功能与TensorFlow一致，pad_mode 为 “pad” 时，功能与PyTorch一致，MindSpore相比PyTorch1.8.1额外支持了维度为2的输入，与PyTorch1.12一致。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	kernel_size	kernel_size	功能一致，PyTorch无默认值
	参数2	stride	stride	功能一致，默认值不同
	参数3	padding	padding	功能一致
	参数4	dilation	dilation	功能一致
	参数5	return_indices	return_indices	功能一致
	参数6	ceil_mode	ceil_mode	功能一致
	参数7	input	x	功能一致，参数名不同
	参数8	-	pad_mode	控制填充模式，PyTorch无此参数

代码示例1

构建一个卷积核大小为1x3，步长为1的池化层，padding默认为0，不进行元素填充。dilation的默认值为1，窗口中的元素是连续的。池化填充模式的默认值为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。在相同的参数设置下，两API实现相同的功能，对数据进行了最大池化运算。

# PyTorch
import torch
from torch import tensor
import numpy as np

max_pool = torch.nn.MaxPool1d(kernel_size=3, stride=1)
x = tensor(np.random.randint(0, 10, [1, 2, 4]), dtype=torch.float32)
output = max_pool(x)
result = output.shape
print(tuple(result))
# (1, 2, 2)

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

max_pool = mindspore.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)

代码示例2

mindspore为 pad 模式时，行为一致。

import mindspore as ms
from mindspore import Tensor
import mindspore.nn as nn
import torch
import numpy as np

np_x = np.random.randint(0, 10, [1, 2, 4])

x = Tensor(np_x, ms.float32)
max_pool = nn.MaxPool1d(kernel_size=2, stride=1, pad_mode='pad', padding=1, dilation=1, return_indices=False)
output = max_pool(x)
result = output.shape
print(result)
# (1, 2, 5)
x = torch.tensor(np_x, dtype=torch.float32)
max_pool = torch.nn.MaxPool1d(kernel_size=2, stride=1, padding=1, dilation=1, return_indices=False)
output = max_pool(x)
result = output.shape
print(result)
# torch.Size([1, 2, 5])