MaxUnpool

MaxUnpool - 22

版本

  • 名称: MaxUnpool (GitHub)

  • 域: main

  • 起始版本: 22

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 22 起可用。

摘要

MaxUnpool 本质上计算 MaxPool 运算的部分逆运算。此运算的输入信息通常是 MaxPool 运算的输出信息。第一个输入张量 X 是需要反池化的张量，通常是 MaxPool 的池化张量（第一个输出）。第二个输入张量 I 包含与第一个输入张量 X 中的元素对应的（局部最大）元素的索引。输入张量 I 通常是 MaxPool 运算的第二个输出。第三个（可选）输入是指定反池化运算输出大小的张量。

MaxUnpool 旨在执行 MaxPool 运算的“部分”逆运算。“部分”是因为 MaxPool 原始输入中的所有非最大值在 MaxUnpool 运算的输出中都设置为零。对反池化运算的结果进行池化应该会返回反池化运算的原始输入。

MaxUnpool 可以为多个输入大小生成相同的输出大小，这使得反池化运算变得模糊。第三个输入参数 output_size 旨在消除运算的歧义并生成已知/可预测大小的输出张量。

除了输入之外，MaxUnpool 还接受三个属性，即 kernel_shape、strides 和 pads，它们定义了精确的反池化运算。这些属性通常与反池化运算尝试反转的相应池化运算具有相同的值。

属性

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿着每个空间轴的开始和结束填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数。pads 格式应如下 [x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是在轴 i 的开始处添加的像素数，xi_end 是在轴 i 的结束处添加的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则沿每个空间轴的开始和结束填充默认为 0。

  • strides - 整数 :

    沿每个空间轴的步长。如果不存在，步长默认为沿每个空间轴的 1。

输入

2 到 3 个输入之间。

  • X (异构) - T1

    需要反池化的输入数据张量。此张量通常是 MaxPool 运算的第一个输出。图像情况下的维度为 (N x C x H x W)，其中 N 是批量大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批量大小。可选地，如果维度表示生效，则运算期望输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

  • I (异构) - T2

    包含与第一个输入张量 X 中的元素对应的索引的输入数据张量。此张量通常是 MaxPool 运算的第二个输出。维度必须与输入张量 X 相同。索引是线性的，即考虑张量是扁平的 1-D 张量计算的，假设是行主存储。此外，线性索引不应考虑填充。因此，索引中的值在 [0, N x C x D1 x … x Dn) 范围内。

  • output_shape (可选，异构) - T2

    可以显式设置输出的形状，这将导致自动生成填充值。如果指定了“output_shape”，则忽略“pads”值。

输出

  • output (异构) - T1

    包含反池化结果的输出数据张量。

类型约束

  • T1 在 ( tensor(bfloat16), tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型限制为浮点张量。

  • T2 包含 ( tensor(int64) )

    将索引张量限制为 int64

MaxUnpool - 11

版本

  • 名称: MaxUnpool (GitHub)

  • 域: main

  • 起始版本: 11

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 11 起可用。

摘要

MaxUnpool 本质上计算 MaxPool 运算的部分逆运算。此运算的输入信息通常是 MaxPool 运算的输出信息。第一个输入张量 X 是需要反池化的张量，通常是 MaxPool 的池化张量（第一个输出）。第二个输入张量 I 包含与第一个输入张量 X 中的元素对应的（局部最大）元素的索引。输入张量 I 通常是 MaxPool 运算的第二个输出。第三个（可选）输入是指定反池化运算输出大小的张量。

MaxUnpool 旨在执行 MaxPool 运算的“部分”逆运算。“部分”是因为 MaxPool 原始输入中的所有非最大值在 MaxUnpool 运算的输出中都设置为零。对反池化运算的结果进行池化应该会返回反池化运算的原始输入。

MaxUnpool 可以为多个输入大小生成相同的输出大小，这使得反池化运算变得模糊。第三个输入参数 output_size 旨在消除运算的歧义并生成已知/可预测大小的输出张量。

除了输入之外，MaxUnpool 还接受三个属性，即 kernel_shape、strides 和 pads，它们定义了精确的反池化运算。这些属性通常与反池化运算尝试反转的相应池化运算具有相同的值。

属性

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿着每个空间轴的开始和结束填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数。pads 格式应如下 [x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是在轴 i 的开始处添加的像素数，xi_end 是在轴 i 的结束处添加的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则沿每个空间轴的开始和结束填充默认为 0。

  • strides - 整数 :

    沿每个空间轴的步长。如果不存在，步长默认为沿每个空间轴的 1。

输入

2 到 3 个输入之间。

  • X (异构) - T1

    需要反池化的输入数据张量。此张量通常是 MaxPool 运算的第一个输出。图像情况下的维度为 (N x C x H x W)，其中 N 是批量大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批量大小。可选地，如果维度表示生效，则运算期望输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

  • I (异构) - T2

    包含与第一个输入张量 X 中的元素对应的索引的输入数据张量。此张量通常是 MaxPool 运算的第二个输出。维度必须与输入张量 X 相同。索引是线性的，即考虑张量是扁平的 1-D 张量计算的，假设是行主存储。此外，线性索引不应考虑填充。因此，索引中的值在 [0, N x C x D1 x … x Dn) 范围内。

  • output_shape (可选，异构) - T2

    可以显式设置输出的形状，这将导致自动生成填充值。如果指定了“output_shape”，则忽略“pads”值。

输出

  • output (异构) - T1

    包含反池化结果的输出数据张量。

类型约束

  • T1 在 ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型限制为浮点张量。

  • T2 包含 ( tensor(int64) )

    将索引张量限制为 int64

MaxUnpool - 9

版本

  • 名称: MaxUnpool (GitHub)

  • 域: main

  • 起始版本: 9

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 9 起可用。

摘要

MaxUnpool 本质上计算 MaxPool 运算的部分逆运算。此运算的输入信息通常是 MaxPool 运算的输出信息。第一个输入张量 X 是需要反池化的张量，通常是 MaxPool 的池化张量（第一个输出）。第二个输入张量 I 包含与第一个输入张量 X 中的元素对应的（局部最大）元素的索引。输入张量 I 通常是 MaxPool 运算的第二个输出。第三个（可选）输入是指定反池化运算输出大小的张量。

MaxUnpool 旨在执行 MaxPool 运算的“部分”逆运算。“部分”是因为 MaxPool 原始输入中的所有非最大值在 MaxUnpool 运算的输出中都设置为零。对反池化运算的结果进行池化应该会返回反池化运算的原始输入。

MaxUnpool 可以为多个输入大小生成相同的输出大小，这使得反池化运算变得模糊。第三个输入参数 output_size 旨在消除运算的歧义并生成已知/可预测大小的输出张量。

除了输入之外，MaxUnpool 还接受三个属性，即 kernel_shape、strides 和 pads，它们定义了精确的反池化运算。这些属性通常与反池化运算尝试反转的相应池化运算具有相同的值。

属性

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿着每个空间轴的开始和结束填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数。pads 格式应如下 [x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是在轴 i 的开始处添加的像素数，xi_end 是在轴 i 的结束处添加的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则沿每个空间轴的开始和结束填充默认为 0。

  • strides - 整数 :

    沿每个空间轴的步幅。

输入

2 到 3 个输入之间。

  • X (异构) - T1

    需要反池化的输入数据张量。此张量通常是 MaxPool 运算的第一个输出。图像情况下的维度为 (N x C x H x W)，其中 N 是批量大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批量大小。可选地，如果维度表示生效，则运算期望输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

  • I (异构) - T2

    包含与第一个输入张量 X 中的元素对应的索引的输入数据张量。此张量通常是 MaxPool 运算的第二个输出。维度必须与输入张量 X 相同。索引是线性的，即考虑张量是扁平的 1-D 张量计算的，假设是行主存储。此外，线性索引不应考虑填充。因此，索引中的值在 [0, N x C x D1 x … x Dn) 范围内。

  • output_shape (可选，异构) - T2

    可以显式设置输出的形状，这将导致自动生成填充值。如果指定了“output_shape”，则忽略“pads”值。

输出

  • output (异构) - T1

    包含反池化结果的输出数据张量。

类型约束

  • T1 在 ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型限制为浮点张量。

  • T2 包含 ( tensor(int64) )

    将索引张量限制为 int64