快捷方式

MaxPool1d

class torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)[source]

对由多个输入平面组成的输入信号应用一维最大池化。

在最简单的情况下,输入大小为 (N,C,L)(N, C, L) 且输出为 (N,C,Lout)(N, C, L_{out}) 的层的输出值可以精确地描述为

out(Ni,Cj,k)=maxm=0,,kernel_size1input(Ni,Cj,stride×k+m)out(N_i, C_j, k) = \max_{m=0, \ldots, \text{kernel\_size} - 1} input(N_i, C_j, stride \times k + m)

如果 padding 不为零,则输入将在两侧隐式填充负无穷大,填充点数为 paddingdilation 是滑动窗口内元素之间的步长。这个 链接 对池化参数有一个很好的可视化。

注意

当 ceil_mode=True 时,如果滑动窗口从左侧填充或输入内部开始,则允许滑动窗口越界。 从右侧填充区域开始的滑动窗口将被忽略。

参数
  • kernel_size (Union[int, Tuple[int]]) – 滑动窗口的大小,必须大于 0。

  • stride (Union[int, Tuple[int]]) – 滑动窗口的步长,必须大于 0。默认值为 kernel_size

  • padding (Union[int, Tuple[int]]) – 在两侧添加的隐式负无穷大填充,必须大于等于 0 且小于等于 kernel_size / 2。

  • dilation (Union[int, Tuple[int]]) – 滑动窗口内元素之间的步长,必须大于 0。

  • return_indices (bool) – 如果 True,将返回最大值以及 argmax。对后续的 torch.nn.MaxUnpool1d 有用

  • ceil_mode (bool) – 如果 True,将使用 ceil 而不是 floor 来计算输出形状。这确保输入张量的每个元素都被滑动窗口覆盖。

形状
  • 输入: (N,C,Lin)(N, C, L_{in})(C,Lin)(C, L_{in}).

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

    Lout=Lin+2×paddingdilation×(kernel_size1)1stride+1L_{out} = \left\lfloor \frac{L_{in} + 2 \times \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1}{\text{stride}} + 1\right\rfloor

示例

>>> # pool of size=3, stride=2
>>> m = nn.MaxPool1d(3, stride=2)
>>> input = torch.randn(20, 16, 50)
>>> output = m(input)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源