【Hackathon 5th No.38】为 Paddle 新增 FractionalMaxPool2d / FractionalMaxPool3d API#698
Conversation
|
|
||
| ## 底层 OP 设计 | ||
|
|
||
| 由于赛题要求直接实现 python 接口，所以此处直接使用 python API 实现，无需设计底层 c++ 相关 OP。 |
There was a problem hiding this comment.
这个算子组合实现的话调用kernel数量会跟batch_size有关系，导致launch大量kernel，考虑到性能问题，这边要求最好是用c++ 底层op去实现该算子。
There was a problem hiding this comment.
嗯，所以最后我写了个补充说明 ～ 看看补充说明里面的实现方式是否可行？
| - `paddle.nn.FractionalMaxPool2d` | ||
|
|
||
| ``` python | ||
| paddle.nn.functional.fractional_max_pool2d( |
There was a problem hiding this comment.
这儿是否需要和maxpooling2D一样加一个data_format参数？
|
根据之前的讨论，此次更新，使用 c++ 实现底层算子：
另外，之前讨论的 非常感谢！ |
|
|
||
| ``` yaml | ||
| - op : max_pool2d_with_index | ||
| args : (Tensor x, int[] kernel_size, int[] strides= {1, 1}, int[] paddings = {0, 0}, bool global_pooling = false, bool adaptive = false, bool fractional = false) |
There was a problem hiding this comment.
这些参数比如kernel_size是在api内部进行推导的吗，如果是的话方便加一下推导过程吗.
There was a problem hiding this comment.
fractional max pooling 与 adaptive max pooling 应该一样，不需要 kernel_size 参数，只需要 output_size，kernel_size 是自动推导的，使用 ksize 代为接受 output_size 这个参数。
python 接口：
def adaptive_max_pool2d(x, output_size, return_mask=False, name=None):
...
if in_dygraph_mode():
...
else:
l_type = 'max_pool2d_with_index'
...
helper.append_op(
type=l_type,
inputs={"X": x},
outputs=outputs,
attrs={
"pooling_type": 'max',
"ksize": output_size,
"adaptive": True,
},
)
return (pool_out, mask) if return_mask else pool_outc++ 算子：
if (adaptive || fractional) {
output_shape.insert(
output_shape.end(), kernel_size_.begin(), kernel_size_.end());
} else {
...
}
fractional max pooling 与 adaptive max pooling 最重要的是生成池化序列的方法，也就是一系列的 ksize，如 fractional max pooling 的 1222111212...。之前版本有用 python 写过伪序列的生成方法：
def pseudo(input_size, output_size, sample):
cum_seq = [0] * (output_size + 1)
diff = [0] * output_size
alpha = input_size / output_size
base = input_size // output_size
u_max1 = (base + 2) / alpha - 1
u_max2 = (input_size + 1 - base) / alpha - (output_size - 1)
max_u = min(u_max1, u_max2)
u = sample * max_u
cum_seq[0] = 1
cum_seq[output_size] = input_size + 1
for i in range(1, output_size):
cum_seq[i] = math.ceil(alpha * (i + u))
for i in range(output_size):
diff[i] = cum_seq[i + 1] - cum_seq[i]
return diff这里需要用 c++ 重新写一下 ～ 是需要这个推导过程是吧？
There was a problem hiding this comment.
好的 我看你是复用adaptive_max_poolNd的实现，但是yaml以及函数命名记得与这个进行区分，文档中我看写的都是max_poolNd
Update 20231114
由于 adaptive_max_poolNd 也是复用 max_poolNd_with_index，所以，实际上是 adaptive_max_poolNd 和 fractional_max_poolNd 共同复用了 max_poolNd_with_index，所以文档中基本上都是 max_poolNd_xxx。 @Charles-hit 请评审～ 谢谢！ |
3 participants
PR types
Others
PR changes
Docs
Description
【Hackathon 5th No.38】为 Paddle 新增 FractionalMaxPool2d / FractionalMaxPool3d API
请评审！