前置き
PyTorchにあるAdaptive系のプーリング。
任意の入力サイズに対して、出力サイズを指定してプーリングを行う。
どのような動きになっているのか、ソースコードを見てみた。
カーネルの求め方
カーネルを以下式で求める。
start_index = floor(output_index * input_size / output_size)
# output_index ... 0～(output_size-1)
floor ... 切り捨て
end_index = ceil((output_index + 1) * input_size / output_size)
# output_index ... 0～(output_size-1)
ceil ... 切り上げ
例
input_size=(10, 10), output_size=(6,6) の場合
| output_index | start_index | end_index | カーネルの範囲 |
|---|---|---|---|
| 0 | 0 | 2 | 0～1 |
| 1 | 1 | 4 | 1～3 |
| 2 | 3 | 5 | 3～4 |
| 3 | 5 | 7 | 5～6 |
| 4 | 6 | 9 | 6～8 |
| 5 | 8 | 10 | 8～9 |
AdaptiveMaxPoolの場合
import torch
import torch.nn as nn
x = torch.arange(100).view(1, 10, 10).float()
#tensor([[[ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9.],
# [10., 11., 12., 13., 14., 15., 16., 17., 18., 19.],
# [20., 21., 22., 23., 24., 25., 26., 27., 28., 29.],
# [30., 31., 32., 33., 34., 35., 36., 37., 38., 39.],
# [40., 41., 42., 43., 44., 45., 46., 47., 48., 49.],
# [50., 51., 52., 53., 54., 55., 56., 57., 58., 59.],
# [60., 61., 62., 63., 64., 65., 66., 67., 68., 69.],
# [70., 71., 72., 73., 74., 75., 76., 77., 78., 79.],
# [80., 81., 82., 83., 84., 85., 86., 87., 88., 89.],
# [90., 91., 92., 93., 94., 95., 96., 97., 98., 99.]]])
nn.AdaptiveMaxPool2d((6,6))(x)
#tensor([[[11., 13., 14., 16., 18., 19.],
# [31., 33., 34., 36., 38., 39.],
# [41., 43., 44., 46., 48., 49.],
# [61., 63., 64., 66., 68., 69.],
# [81., 83., 84., 86., 88., 89.],
# [91., 93., 94., 96., 98., 99.]]])