当使用从GPU移植的训练有素的模型时，默认MaxPoolingOp仅在设备类型CPU错误时支持NHWC。

首先，让我们解释一下这个问题的背景和涉及的概念。GPU是图形处理器的缩写，它是一种专门用于并行计算的硬件设备。在机器学习领域，GPU常用于训练深度神经网络等复杂模型，因为它们可以同时处理大量的并行计算任务，提供了比传统的中央处理器（CPU）更快的计算速度。

MaxPoolingOp是一种在卷积神经网络（CNN）中常用的池化操作，用于降低特征图的维度。它通过在每个池化区域内选择最大值来提取出关键特征，以便更有效地进行模型训练和推理。

NHWC是一种数据格式，代表了TensorFlow框架中常用的张量（Tensor）表示方式。它表示“通道（Channel）”在最后一维的顺序，分别表示了数据的Batch大小、Height、Width和Channel数。NHWC在移动设备上的部署更为常见，因为它与图像数据的存储方式更匹配。

根据提供的问答内容，我们可以得出结论：当使用从GPU移植的训练有素的模型时，默认的MaxPoolingOp操作只支持NHWC数据格式，而不支持设备类型为CPU的情况。

这可能是由于GPU在处理大规模并行计算时的优势，以及NHWC数据格式在移动设备上的常见使用。所以，当我们使用GPU移植的模型时，为了保证最佳性能和兼容性，我们应该使用NHWC数据格式作为默认设置。

关于这个问题，我们可以给出更完善且全面的答案，包括以下方面：

深入解释MaxPoolingOp的原理和作用：MaxPoolingOp是一种池化操作，用于降低特征图的维度，并提取出关键特征。它在卷积神经网络中广泛应用，有助于提高模型的性能和效果。
解释NHWC数据格式的特点和优势：NHWC数据格式是TensorFlow框架中常用的表示方式，它将通道数放在最后一维，适合于存储和处理图像数据。NHWC在移动设备上的部署更为常见，因为它与图像数据的存储方式更匹配。
探讨为什么默认的MaxPoolingOp操作只支持NHWC数据格式：这可能与GPU在处理大规模并行计算时的优势有关，以及NHWC数据格式在移动设备上的常见使用。为了保证最佳性能和兼容性，在使用GPU移植的训练有素的模型时，默认应该使用NHWC数据格式。
提供一些使用NHWC数据格式和MaxPoolingOp操作的实际应用场景：例如，图像分类、目标检测和人脸识别等领域都可以使用NHWC数据格式和MaxPoolingOp操作来提取关键特征和降低数据维度。
推荐腾讯云相关产品和产品介绍链接地址：腾讯云提供了丰富的云计算服务和解决方案，包括AI推理加速器、容器服务、云服务器等。这些产品可以帮助开发人员快速部署和运行基于GPU的模型，并提供高性能的计算和存储能力。有关更多详细信息，请参考腾讯云的官方文档和产品介绍页面。

总之，作为云计算领域的专家和开发工程师，了解GPU计算、深度学习模型、MaxPoolingOp操作、NHWC数据格式等相关知识是至关重要的。通过深入理解这些概念，我们可以更好地应用和优化机器学习模型，并为不同领域的应用提供高效的解决方案。