[object Object][object Object]

[object Object]undefined[object Object]

• 接口功能：根据输入的outputSize计算每次kernel的大小，对输入self进行3维最大池化操作，输出池化后的值outputOut和索引indicesOut。aclnnAdaptiveMaxPool3d与aclnnMaxPool3d的区别在于，只需指定outputSize大小，并按outputSize的大小来划分pooling区域。

• 计算公式： N（Batch）表示批量大小、C（Channels）表示特征图通道、D（Depth）表示特征图深度、H（Height）表示特征图高度、W（Width）表示特征图宽度。 对于输入self维度$[N,C,D,H,W]$，outputSize值为$[D_o,H_o,W_o]$的场景，其输出output维度为$[N,C,D_o,H_o,W_o]$，索引indices维度为$[N,C,D_o,H_o,W_o]$，相应tensor中每个元素$(l,m,n)$的计算公式如下：

  $$D^{l}_{left} = \lfloor(l*D)/D_o\rfloor$$ $$D^{l}_{right} = \lceil((l+1)*D)/D_o\rceil$$ $$H^{m}_{left} = \lfloor(m*H)/H_o\rfloor$$ $$H^{m}_{right} = \lceil((m+1)*H)/H_o\rceil$$ $$W^{n}_{left} = \lfloor(n*W)/W_o\rfloor$$ $$W^{n}_{right} = \lceil((n+1)*W)/W_o\rceil$$ $$output(N,C,l,m,n)=\underset {i \in [D^{l}_{left}, D^{l}_{right}],j\in [H^m_{left},H^m_{right}], k \in [W^n_{left},W^n_{right}] }{max} input(N,C,i,j,k)$$ $$indices(N,C,l,m,n)=\underset {i \in [D^{l}_{left}, D^{l}_{right}],j\in [H^m_{left},H^m_{right}], k \in [W^n_{left},W^n_{right}] }{argmax} input(N,C,i,j,k)$$

[object Object]

每个算子分为，必须先调用“aclnnAdaptiveMaxPool3dGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnAdaptiveMaxPool3d”接口执行计算。

[object Object]

• 参数说明：

  [object Object]
  • [object Object]Atlas A3 训练系列产品/Atlas A3 推理系列产品[object Object]、[object Object]Atlas A2 训练系列产品/Atlas A2 推理系列产品[object Object]： 参数[object Object]的数据类型不支持INT64，

• 返回值：

  aclnnStatus：返回状态码，具体参见。

  第一段接口完成入参校验，出现以下场景时报错：

  [object Object]

[object Object]

• 参数说明：

  [object Object]

• 返回值：

  aclnnStatus：返回状态码，具体参见。

[object Object]

• 确定性计算：

  • aclnnAdaptiveMaxPool3d默认确定性实现。

• Shape描述：

  • self.shape = (N, C, Din, Hin, Win)
  • outputSize = [Dout, Hout, Wout]
  • outputOut.shape = (N, C, Dout, Hout, Wout)
  • indicesOut.shape = (N, C, Dout, Hout, Wout)

[object Object]

示例代码如下，仅供参考，具体编译和执行过程请参考。