AvgPool1d

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

在由多个输入平面组成的输入信号上应用一维平均池化。

在最简单的情况下，输入尺寸为 $(N, C, L)$，输出尺寸为 $(N, C, L_{out})$ 且 kernel_size 为 $k$ 的层的输出值可以精确描述为：

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

如果 padding 非零，则输入会在两侧进行隐式零填充，填充点数为 padding。

注意

当 ceil_mode=True 时，滑动窗口允许超出边界，如果它们从左侧填充或输入内部开始。从右侧填充区域开始的滑动窗口将被忽略。

参数 kernel_size、stride、padding 各自可以是 int 或一个包含一个元素的元组。

参数

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

• stride (Union[int, tuple[int]]) – 窗口步长。默认值为 kernel_size

• padding (Union[int, tuple[int]]) – 在两侧添加的隐式零填充

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

• count_include_pad (bool) – 当为 True 时，在平均计算中将包含零填充

形状

• 输入: $(N, C, L_{in})$ 或 $(C, L_{in})$。

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

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

  根据上面的注意事项，如果 ceil_mode 为 True 且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$，我们将跳过最后一个窗口，因为它会从右侧填充区域开始，导致 $L_{out}$ 减少一。

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.]]])