Класс AdaptiveMaxPool1d

Класс AdaptiveMaxPool1d реализует операцию адаптивного максимального пулинга для одномерных данных. В отличие от обычного пулинга, адаптивный пулинг не требует задания размера окна и шага - вместо этого он принимает целевой размер выходного тензора. Первым параметром передаётся целевой размер выхода, вторым параметром можно указать возврат индексов максимальных элементов.

Синтаксис

torch.nn.AdaptiveMaxPool1d(output_size, return_indices=False)

Параметры

Класс принимает следующие параметры:

output_size - целевой размер выходного тензора по пространственному измерению. Может быть задан как целое число или как кортеж из одного элемента.

return_indices - если установить в True, то слой будет возвращать не только результат пулинга, но и индексы максимальных элементов. Это может быть полезно для обратных операций, таких как MaxUnpool1d.

Пример с выходным размером 2

Давайте применим адаптивный макспулинг к одномерному тензору длины 8, уменьшив его до размера 2:

import torch
import torch.nn as nn

# Создаём слой адаптивного макспулинга
pool = nn.AdaptiveMaxPool1d(output_size=2)

# Создаём входной тензор размером (batch=1, channels=1, length=8)
t = torch.tensor([
	[[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0]]
])

res = pool(t)
print(res)

Результат выполнения кода:

tensor([
	[[4., 8.]]
])

Пример с возвратом индексов

Используем параметр return_indices для получения индексов максимальных элементов:

import torch
import torch.nn as nn

# Создаём слой с возвратом индексов
pool = nn.AdaptiveMaxPool1d(output_size=2, return_indices=True)

t = torch.tensor([
	[[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0]]
])

res, idx = pool(t)
print("Result:", res)
print("Indices:", idx)

Результат выполнения кода:

Result: tensor([
	[[4., 8.]]
])
Indices: tensor([
	[[3, 7]]
])

Пример работы с многоканальными данными

Адаптивный макспулинг работает с многоканальными данными, обрабатывая каждый канал независимо:

import torch
import torch.nn as nn

pool = nn.AdaptiveMaxPool1d(output_size=3)

# Тензор размером (batch=1, channels=3, length=6)
t = torch.tensor([
	[
		[1.0, 2.0, 3.0, 4.0, 5.0, 6.0],
		[6.0, 5.0, 4.0, 3.0, 2.0, 1.0],
		[1.0, 3.0, 5.0, 2.0, 4.0, 6.0]
	]
])

res = pool(t)
print(res)

Результат выполнения кода:

tensor([
	[
		[2., 4., 6.],
		[6., 4., 2.],
		[3., 5., 6.]
	]
])

Смотрите также

класс MaxPool1d,
который выполняет обычный максимальный пулинг с фиксированным окном
класс AdaptiveAvgPool1d,
который выполняет адаптивный средний пулинг для 1D данных
класс AdaptiveMaxPool2d,
который выполняет адаптивный макспулинг для 2D данных
класс Conv1d,
который выполняет одномерную свёртку входного сигнала