LPPool3d

class torch.nn.LPPool3d(norm_type, kernel_size, stride=None, ceil_mode=False)

对由多个输入平面组成的输入信号应用 3D 幂平均池化。

在每个窗口上，计算的函数是

$$f(X) = \sqrt[p]{\sum_{x \in X} x^{p}}$$

• 当 p = $\infty$ 时，得到最大池化

• 当 p = 1 时，得到总和池化（与平均池化成比例）

参数 kernel_size、stride 可以是

• 单个 int – 在这种情况下，高度、宽度和深度维度使用相同的值

• 三个整数的 tuple – 在这种情况下，第一个 int 用于深度维度，第二个 int 用于高度维度，第三个 int 用于宽度维度

注意

如果 p 次幂的总和为零，则此函数的梯度未定义。在这种情况下，此实现会将梯度设置为零。

参数

• kernel_size (Union[int, Tuple[int, int, int]]) – 窗口的大小

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

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

形状

• 输入: $(N, C, D_{in}, H_{in}, W_{in})$ 或 $(C, D_{in}, H_{in}, W_{in})$。

• 输出: $(N, C, D_{out}, H_{out}, W_{out})$ 或 $(C, D_{out}, H_{out}, W_{out})$，其中

  $$D_{out} = \left\lfloor\frac{D_{in} - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor$$
  $$H_{out} = \left\lfloor\frac{H_{in} - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor$$
  $$W_{out} = \left\lfloor\frac{W_{in} - \text{kernel\_size}[2]}{\text{stride}[2]} + 1\right\rfloor$$

示例

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool3d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool3d(1.2, (3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50, 44, 31)
>>> output = m(input)