Класс FractionalMaxPool2d

Класс FractionalMaxPool2d применяет двумерное дробное максимальное объединение (fractional max pooling) к входным данным. В отличие от обычного MaxPool2d, он позволяет использовать нецелочисленные размеры ядра и шага, что даёт возможность получать выходные тензоры произвольных размеров. Первым параметром передаётся размер ядра пулинга, вторым - выходной размер или коэффициент масштабирования. Также можно задать случайность через параметр _random_samples.

Синтаксис

torch.nn.FractionalMaxPool2d(
	kernel_size,
	output_size=None,
	output_ratio=None,
	return_indices=False,
	_random_samples=None
)

Параметры

В параметре kernel_size задаётся размер окна пулинга (целое число или кортеж из двух чисел). В параметре output_size указывается желаемый размер выхода (целое число или кортеж). В параметре output_ratio можно задать коэффициент масштабирования (число от 0 до 1). Параметр return_indices управляет возвратом индексов максимальных элементов. Параметр _random_samples используется для явной передачи случайных выборок.

Пример с указанием выходного размера

Создадим слой дробного пулинга с ядром 3x3 и выходным размером 2x2:

import torch
import torch.nn as nn

torch.manual_seed(0)

pool = nn.FractionalMaxPool2d(
	kernel_size=3,
	output_size=2
)

t = torch.tensor([
	[[1.0, 2.0, 3.0, 4.0],
	 [5.0, 6.0, 7.0, 8.0],
	 [9.0, 10.0, 11.0, 12.0],
	 [13.0, 14.0, 15.0, 16.0]]
]).unsqueeze(0)

res = pool(t)
print(res)

Результат выполнения кода:

tensor([[[[ 6.,  8.],
		  [14., 16.]]]])

Пример с коэффициентом масштабирования

Используем параметр output_ratio для уменьшения размера тензора в два раза:

import torch
import torch.nn as nn

torch.manual_seed(1)

pool = nn.FractionalMaxPool2d(
	kernel_size=3,
	output_ratio=0.5
)

t = torch.tensor([
	[[1.0, 2.0, 3.0, 4.0],
	 [5.0, 6.0, 7.0, 8.0],
	 [9.0, 10.0, 11.0, 12.0],
	 [13.0, 14.0, 15.0, 16.0]]
]).unsqueeze(0)

res = pool(t)
print(res)

Результат выполнения кода:

tensor([[[[ 3.,  4.],
		  [11., 12.]]]])

Пример с возвратом индексов

Установим параметр return_indices в значение True, чтобы получить индексы максимальных элементов:

import torch
import torch.nn as nn

torch.manual_seed(2)

pool = nn.FractionalMaxPool2d(
	kernel_size=2,
	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, 9.0]]
]).unsqueeze(0)

res, indices = pool(t)
print(res)
print(indices)

Результат выполнения кода:

tensor([[[[4., 6.],
		  [7., 9.]]]])
tensor([[[[3, 5],
		  [6, 8]]]])

Пример использования в модели

Включим дробный пулинг в нейронную сеть для обработки изображений:

import torch
import torch.nn as nn

torch.manual_seed(0)

class Net(nn.Module):
	def __init__(self):
		super().__init__()
		self.conv1 = nn.Conv2d(1, 8, 3, padding=1)
		self.pool = nn.FractionalMaxPool2d(
			kernel_size=3,
			output_ratio=0.5
		)
		self.fc = nn.Linear(8 * 2 * 2, 10)
	
	def forward(self, x):
		x = self.conv1(x)
		x = self.pool(x)
		x = x.view(x.size(0), -1)
		return self.fc(x)

model = Net()
t = torch.randn(1, 1, 4, 4)
res = model(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 10])

Смотрите также

класс MaxPool2d,
который выполняет обычное двумерное максимальное объединение с целочисленными параметрами
класс AvgPool2d,
который выполняет двумерное среднее объединение
класс AdaptiveMaxPool2d,
который выполняет адаптивное максимальное объединение с произвольным выходным размером
класс Conv2d,
который выполняет двумерную свёртку над входными данными