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

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.]]]