比较与torch.nn.MaxPool1d的差异

查看源文件

torch.nn.MaxPool1d

torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)(input) -> Tensor

更多内容详见torch.nn.MaxPool1d

mindspore.nn.MaxPool1d

mindspore.nn.MaxPool1d(kernel_size=1, stride=1, pad_mode="valid", padding=0, dilation=1, return_indices=False, ceil_mode=False)(x) -> Tensor

更多内容详见mindspore.nn.MaxPool1d

差异对比

PyTorch:对时间数据进行最大池化运算。

MindSpore:MindSpore此API实现功能同时兼容TensorFlow和PyTorch,pad_mode 为 “valid” 或者 “same” 时,功能与TensorFlow一致,pad_mode 为 “pad” 时,功能与PyTorch一致,MindSpore相比PyTorch1.8.1额外支持了维度为2的输入,与PyTorch1.12一致。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

kernel_size

kernel_size

功能一致,PyTorch无默认值

参数2

stride

stride

功能一致,默认值不同

参数3

padding

padding

功能一致

参数4

dilation

dilation

功能一致

参数5

return_indices

return_indices

功能一致

参数6

ceil_mode

ceil_mode

功能一致

参数7

input

x

功能一致,参数名不同

参数8

-

pad_mode

控制填充模式,PyTorch无此参数

代码示例1

构建一个卷积核大小为1x3,步长为1的池化层,padding默认为0,不进行元素填充。dilation的默认值为1,窗口中的元素是连续的。池化填充模式的默认值为valid,在不填充的前提下返回有效计算所得的输出,不满足计算的多余像素会被丢弃。在相同的参数设置下,两API实现相同的功能,对数据进行了最大池化运算。

# PyTorch
import torch
from torch import tensor
import numpy as np

max_pool = torch.nn.MaxPool1d(kernel_size=3, stride=1)
x = tensor(np.random.randint(0, 10, [1, 2, 4]), dtype=torch.float32)
output = max_pool(x)
result = output.shape
print(tuple(result))
# (1, 2, 2)

# MindSpore
import mindspore
from mindspore import Tensor
import numpy as np

max_pool = mindspore.nn.MaxPool1d(kernel_size=3, stride=1)
x = Tensor(np.random.randint(0, 10, [1, 2, 4]), mindspore.float32)
output = max_pool(x)
result = output.shape
print(result)
# (1, 2, 2)

代码示例2

mindspore为 pad 模式时,行为一致。

import mindspore as ms
from mindspore import Tensor
import mindspore.nn as nn
import torch
import numpy as np

np_x = np.random.randint(0, 10, [1, 2, 4])

x = Tensor(np_x, ms.float32)
max_pool = nn.MaxPool1d(kernel_size=2, stride=1, pad_mode='pad', padding=1, dilation=1, return_indices=False)
output = max_pool(x)
result = output.shape
print(result)
# (1, 2, 5)
x = torch.tensor(np_x, dtype=torch.float32)
max_pool = torch.nn.MaxPool1d(kernel_size=2, stride=1, padding=1, dilation=1, return_indices=False)
output = max_pool(x)
result = output.shape
print(result)
# torch.Size([1, 2, 5])