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 、输出 和
kernel_size
的层的输出值可以精确地描述为[ 2 ] × w + n ) k D × k H × k W \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: 或 .
输出: 或 ,其中
1 ] stride [ 1 ] + 1 ⌋ H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[1] - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor 根据上述说明,如果
ceil_mode
为 True 且 , 我们会跳过最后一个窗口,因为它将从填充区域开始,导致 减 1。同样的规则适用于 和 .
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)