AvgPool1d#

class torch.nn.AvgPool1d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)[source]#

對由多個輸入平面組成的輸入訊號進行1D平均池化操作。

在最簡單的情況下，對於輸入大小為 $(N, C, L)$ ，輸出大小為 $(N, C, L_{out})$ 的層輸出值，以及 kernel_size $k$ 的計算可以精確地描述為

\text{out}(N_i, C_j, l) = \frac{1}{k} \sum_{m=0}^{k-1} \text{input}(N_i, C_j, \text{stride} \times l + m)

如果 padding 非零，則輸入在兩側隱式地用 padding 個點進行零填充。

注意

當 ceil_mode=True 時，如果滑動視窗從左側填充或輸入開始，則允許它們超出邊界。從右側填充區域開始的滑動視窗將被忽略。

注意

padding 最多應該是有效核大小的一半。

引數 kernel_size、stride、padding 都可以是 int 型別或包含單個整數的元組。

引數

形狀

輸入： $(N, C, L_{in})$ 或 $(C, L_{in})$ 。
輸出： $(N, C, L_{out})$ 或 $(C, L_{out})$ ，其中

$L_{out} = \left\lfloor \frac{L_{in} + 2 \times \text{padding} - \text{kernel\_size}}{\text{stride}} + 1\right\rfloor$
根據上面的說明，如果 ceil_mode 為 True 且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$ ，我們將跳過最後一個視窗，因為它會在右側填充區域開始，導致 $L_{out}$ 減一。

示例

>>> # pool with window of size=3, stride=2
>>> m = nn.AvgPool1d(3, stride=2)
>>> m(torch.tensor([[[1., 2, 3, 4, 5, 6, 7]]]))
tensor([[[2., 4., 6.]]])

forward(input)[source]#

執行前向傳播。

文件