AvgPool1d

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

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 $(N, C, L)$ 的层的输出值为 $(N, C, L_{out})$，而 kernel_size 为 $k$ 可以准确地描述为

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

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_size、stride、padding 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：$(N, C, L_{in})$ 或 $(C, L_{in})$.

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

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

  根据上面的说明，如果 ceil_mode 为 True 并且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$, 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 $L_{out}$ 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.]]])