Pytorch(2) maxpool的ceil_mode

pytorch里面的maxpool，有一个属性叫ceil_mode，这个属性在api里面的解释是

ceil_mode: when True, will use ceil instead of floor to compute the output shape

也就是说，在计算输出的shape的时候，如果ceil_mode的值为True，那么则用天花板模式，否则用地板模式。

？？？

举两个例子就明白了。

# coding:utf-8
import torch
import torch.nn as nn
from torch.autograd import Variable


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.maxp = nn.MaxPool2d(kernel_size=2, ceil_mode=False)

    def forward(self, x):
        x = self.maxp(x)
        return x

square_size = 6
inputs = torch.randn(1, 1, square_size, square_size)
for i in range(square_size):
    inputs[0][0][i] = i * torch.ones(square_size)
inputs = Variable(inputs)
print(inputs)

net = Net()
outputs = net(inputs)
print(outputs.size())
print(outputs)

在上面的代码中，无论ceil_mode是True or False，结果都是一样
但是如果设置square_size=5，那么

• 当ceil_mode=True

  Variable containing:
  (0 ,0 ,.,.) =
  0 0 0 0 0
  1 1 1 1 1
  2 2 2 2 2
  3 3 3 3 3
  4 4 4 4 4
  [torch.FloatTensor of size 1x1x5x5]
  torch.Size([1, 1, 3, 3])
  Variable containing:
  (0 ,0 ,.,.) =
  1 1 1
  3 3 3
  4 4 4
  [torch.FloatTensor of size 1x1x3x3]

• 当ceil_mode=False

  Variable containing:
  (0 ,0 ,.,.) =
  0 0 0 0 0
  1 1 1 1 1
  2 2 2 2 2
  3 3 3 3 3
  4 4 4 4 4
  [torch.FloatTensor of size 1x1x5x5]
  torch.Size([1, 1, 2, 2])
  Variable containing:
  (0 ,0 ,.,.) =
  1 1
  3 3
  [torch.FloatTensor of size 1x1x2x2]

所以ceil模式就是会把不足square_size的边给保留下来，单独另算，或者也可以理解为在原来的数据上补充了值为-NAN的边。而floor模式则是直接把不足square_size的边给舍弃了。