快捷方式

AvgPool1d

class torch.nn.AvgPool1d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)[源代码]

对由多个输入平面组成的输入信号应用一维平均池化。

在最简单的情况下,该层对输入大小为 (N,C,L)(N, C, L) 的层的输出值为 (N,C,Lout)(N, C, L_{out}),而 kernel_sizekk 可以准确地描述为

out(Ni,Cj,l)=1km=0k1input(Ni,Cj,stride×l+m)\text{out}(N_i, C_j, l) = \frac{1}{k} \sum_{m=0}^{k-1} \text{input}(N_i, C_j, \text{stride} \times l + m)

如果 padding 非零,则输入在两侧隐式地用零填充 padding 个点。

注意

当 ceil_mode=True 时,滑动窗口如果从左填充区或输入中开始,则允许超出边界。 从右填充区开始的滑动窗口将被忽略。

参数 kernel_sizestridepadding 可以是 int 或一个元素元组。

参数
  • kernel_size (Union[int, Tuple[int]]) – 窗口大小

  • stride (Union[int, Tuple[int]]) – 窗口的步长。默认值为 kernel_size

  • padding (Union[int, Tuple[int]]) – 两侧隐式添加的零填充

  • ceil_mode (bool) – 当为 True 时,将使用 ceil 而不是 floor 来计算输出形状

  • count_include_pad (bool) – 当为 True 时,将包括零填充在平均计算中

形状
  • 输入:(N,C,Lin)(N, C, L_{in})(C,Lin)(C, L_{in}).

  • 输出:(N,C,Lout)(N, C, L_{out})(C,Lout)(C, L_{out}), 其中

    Lout=Lin+2×paddingkernel_sizestride+1L_{out} = \left\lfloor \frac{L_{in} + 2 \times \text{padding} - \text{kernel\_size}}{\text{stride}} + 1\right\rfloor

    根据上面的说明,如果 ceil_mode 为 True 并且 (Lout1)×strideLin+padding(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}, 我们将跳过最后一个窗口,因为它将从右侧填充区域开始,导致 LoutL_{out} 减少一个。

示例

>>> # pool with window of size=3, stride=2
>>> m = nn.AvgPool1d(3, stride=2)
>>> m(torch.tensor([[[1., 2, 3, 4, 5, 6, 7]]]))
tensor([[[2., 4., 6.]]])

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得您的问题解答

查看资源