比较与torch.nn.AdaptiveMaxPool1d的差异

查看源文件

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

更多内容详见mindspore.nn.AdaptiveMaxPool1d

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.]]]