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 \((N, C, H_{in})\) 或 \((C, H_{in})\) ,输出数据的格式为 \((N, C, H_{out})\) 或 \((C, H_{out})\) ,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
None
, stride 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 \((N, C, H_{in})\) 或 \((C, H_{in})\) 。
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_size 、 stride 和 padding 计算得出。 如果output_size不为None
,那么 output_size 必须满足格式 \((N, C, H)\) , \((C, H)\) 或 \((H)\) ,取值范围需满足: \([(N, C, H_{out} - stride[0]), (N, C, H_{out} + stride[0])]\) 。
- 输出:
shape为 \((N, C, H_{out})\) 或 \((C, H_{out})\) 的Tensor,数据类型与输入 x 相同。
- 异常:
TypeError - x 或 indices 的数据类型不支持。
TypeError - kernel_size , stride 或 padding 既不是整数也不是tuple。
ValueError - stride , padding 或 kernel_size 的值不是非负的。
ValueError - x 和 indices 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.]]