MaxPool1d

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

在一个由多个输入平面组成的输入信号上应用一维最大池化。

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

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

如果 padding 非零，则输入在两侧隐式填充 padding 个点，填充值为负无穷。 dilation 是滑动窗口内元素之间的步长。这个 链接 对池化参数有很好的可视化说明。

注意

当 ceil_mode=True 时，如果滑动窗口从左侧填充区域或输入内部开始，则允许越界。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 > 0。

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

• padding (Union[int, tuple[int]]) – 在两侧添加的隐式负无穷填充，必须 >= 0 且 <= kernel_size / 2。

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

• return_indices (bool) – 如果为 True，将返回最大值以及对应的索引 (argmax)。这对于后续使用 torch.nn.MaxUnpool1d 非常有用。

• ceil_mode (bool) – 如果为 True，将使用 ceil 而非 floor 计算输出形状。这确保了输入张量中的每个元素都被滑动窗口覆盖。

形状

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

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

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

示例

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