比较与torch.nn.AdaptiveMaxPool1d的差异
以下映射关系均可参考本文。
PyTorch APIs |
MindSpore APIs |
---|---|
torch.nn.AdaptiveMaxPool1d |
mindspore.nn.AdaptiveMaxPool1d |
torch.nn.functional.adaptive_max_pool1d |
mindspore.ops.adaptive_max_pool1d |
torch.nn.AdaptiveMaxPool1d
torch.nn.AdaptiveMaxPool1d(output_size, return_indices=False)(input) -> Tensor
更多内容详见torch.nn.AdaptiveMaxPool1d。
mindspore.nn.AdaptiveMaxPool1d
mindspore.nn.AdaptiveMaxPool1d(output_size)(x) -> Tensor
差异对比
PyTorch:对时间数据进行自适应最大池化运算,支持2D和3D数据。
MindSpore:MindSpore此API目前只支持3D数据,要求输入数据的最后一个维度长度要大于输出大小,并且必须整除output_size;目前不支持返回最大值的索引下标。
分类 |
子类 |
PyTorch |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数1 |
output_size |
output_size |
MindSpore目前只支持3D数据,并且要求输入数据的最后一个维度的长度必须整除output_size |
参数2 |
return_indices |
- |
MindSpore无此参数,暂不支持返回最大值的索引下标 |
|
输入 |
单输入 |
input |
x |
功能一致,参数名不同 |
代码示例1
对三维数据,在输入长度可以整除输出长度时对数据进行自适应最大池化运算。
# PyTorch
import torch
from torch import tensor
import numpy as np
max_pool = torch.nn.AdaptiveMaxPool1d(output_size=4)
x = tensor(np.arange(16).reshape(1, 2, 8), dtype=torch.float32)
output = max_pool(x)
print(output)
# tensor([[[ 1., 3., 5., 7.],
# [ 9., 11., 13., 15.]]])
# MindSpore
import mindspore
from mindspore import Tensor, nn
import numpy as np
pool = nn.AdaptiveMaxPool1d(output_size=4)
x = Tensor(np.arange(16).reshape(1, 2, 8), mindspore.float32)
output = pool(x)
print(output)
# [[[ 1. 3. 5. 7.]
# [ 9. 11. 13. 15.]]]