快捷方式

AvgPool3d

class torch.nn.AvgPool3d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)[源代码]

对由多个输入平面组成的输入信号应用 3D 平均池化。

在最简单的情况下,具有输入大小 (N,C,D,H,W)(N, C, D, H, W)、输出 (N,C,Dout,Hout,Wout)(N, C, D_{out}, H_{out}, W_{out})kernel_size (kD,kH,kW)(kD, kH, kW) 的层的输出值可以精确地描述为

out(Ni,Cj,d,h,w)=k=0kD1m=0kH1n=0kW1input(Ni,Cj,stride[0]×d+k,stride[1]×h+m,stride[2]×w+n)kD×kH×kW\begin{aligned} \text{out}(N_i, C_j, d, h, w) ={} & \sum_{k=0}^{kD-1} \sum_{m=0}^{kH-1} \sum_{n=0}^{kW-1} \\ & \frac{\text{input}(N_i, C_j, \text{stride}[0] \times d + k, \text{stride}[1] \times h + m, \text{stride}[2] \times w + n)} {kD \times kH \times kW} \end{aligned}

如果 padding 不为零,则输入在所有三个维度上隐式地用零填充 padding 个点。

注意

当 `ceil_mode=True` 时,如果滑动窗口起始位置在左侧填充区或输入内,则允许窗口超出边界。如果滑动窗口的起始位置在右侧填充区,则忽略该窗口。

参数 kernel_size, stride 可以是

  • 一个 int 类型的值 – 在这种情况下,深度、高度和宽度维度都使用相同的值

  • 一个包含三个 `int` 类型值的 tuple – 在这种情况下,第一个 `int` 值用于深度维度,第二个 `int` 值用于高度维度,第三个 `int` 值用于宽度维度

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

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

  • **padding** (Union[int, Tuple[int, int, int]]) – 在所有三个维度上隐式添加的零填充

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

  • **count_include_pad** (bool) – 当为 `True` 时,将在平均计算中包含零填充

  • **divisor_override** (Optional[int]) – 如果指定,则将其用作除数,否则使用 kernel_size

形状

  • 输入: (N,C,Din,Hin,Win)(N, C, D_{in}, H_{in}, W_{in})(C,Din,Hin,Win)(C, D_{in}, H_{in}, W_{in}).

  • 输出: (N,C,Dout,Hout,Wout)(N, C, D_{out}, H_{out}, W_{out})(C,Dout,Hout,Wout)(C, D_{out}, H_{out}, W_{out}),其中

    Dout=Din+2×padding[0]kernel_size[0]stride[0]+1D_{out} = \left\lfloor\frac{D_{in} + 2 \times \text{padding}[0] - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor
    Hout=Hin+2×padding[1]kernel_size[1]stride[1]+1H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[1] - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor
    Wout=Win+2×padding[2]kernel_size[2]stride[2]+1W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[2] - \text{kernel\_size}[2]}{\text{stride}[2]} + 1\right\rfloor

    根据上述说明,如果 ceil_mode 为 True 且 (Dout1)×stride[0]Din+padding[0](D_{out} - 1)\times \text{stride}[0]\geq D_{in} + \text{padding}[0], 我们会跳过最后一个窗口,因为它将从填充区域开始,导致 DoutD_{out} 减 1。

    同样的规则适用于 WoutW_{out}HoutH_{out}.

示例

>>> # pool of square window of size=3, stride=2
>>> m = nn.AvgPool3d(3, stride=2)
>>> # pool of non-square window
>>> m = nn.AvgPool3d((3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50, 44, 31)
>>> output = m(input)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取适合初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源