mindspore.nn.MaxUnpool1d

class mindspore.nn.MaxUnpool1d(kernel_size, stride=None, padding=0)[源代码]

计算 mindspore.nn.MaxPool1d 的逆过程。 MaxUnPool1d 保留最大值并将所有非最大值置0。支持的输入数据格式为 \((N, C, H_{in})\)\((C, H_{in})\) ,输出数据的格式为 \((N, C, H_{out})\)\((C, H_{out})\) ,计算公式如下:

\[\begin{split}\begin{array}{ll} \\ H_{out} = (H_{in} - 1) \times stride[0] - 2 \times padding[0] + kernel\_size[0] \\ \end{array}\end{split}\]
参数:
  • kernel_size (Union[int, tuple[int]]) - 池化核尺寸大小。

  • stride (Union[int, tuple[int]]) - 池化操作的移动步长,若取值为 Nonestride 值与 kernel_size 相同。默认值: None

  • padding (Union[int, tuple[int]]) - 填充值。默认值: 0

输入:
  • x (Tensor) - 待求逆的Tensor。shape为 \((N, C, H_{in})\)\((C, H_{in})\)

  • indices (Tensor) - 最大值的索引。shape必须与输入 x 相同。取值范围需满足 \([0, H_{in} - 1]\) 。 数据类型必须是int32或int64。

  • output_size (tuple[int], 可选) - 输出shape。默认值: None 。 如果output_size为 None ,那么输出shape根据 kernel_sizestridepadding 计算得出。 如果output_size不为 None ,那么 output_size 必须满足格式 \((N, C, H)\)\((C, H)\)\((H)\) ,取值范围需满足: \([(N, C, H_{out} - stride[0]), (N, C, H_{out} + stride[0])]\)

输出:

shape为 \((N, C, H_{out})\)\((C, H_{out})\) 的Tensor,数据类型与输入 x 相同。

异常:
  • TypeError - xindices 的数据类型不支持。

  • TypeError - kernel_sizestridepadding 既不是整数也不是tuple。

  • ValueError - stridepaddingkernel_size 的值不是非负的。

  • ValueError - xindices 的shape不一致。

  • ValueError - x 的长度不是2或3。

  • ValueError - output_size 的类型不是tuple。

  • ValueError - output_size 的长度不为0、2或3。

  • ValueError - output_size 的取值与根据 kernel_size , stride , padding 计算得到的结果差距太大。

支持平台:

GPU CPU

样例:

>>> import mindspore as ms
>>> import numpy as np
>>> x = ms.Tensor(np.array([[2, 4, 6, 8]]).astype(np.float32))
>>> indices = ms.Tensor(np.array([[1, 3, 5, 7]]).astype(np.int64))
>>> maxunpool1d = ms.nn.MaxUnpool1d(kernel_size =2, stride=2, padding=0)
>>> output = maxunpool1d(x, indices)
>>> print(output.asnumpy())
[[0. 2. 0. 4. 0. 6. 0. 8.]]