AvgPool3d

class torch.nn.AvgPool3d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)

對由多個輸入層組成的輸入訊號應用 3D 平均池化。

在最簡單的情況下，輸入尺寸為 $(N, C, D, H, W)$ 的層的輸出值，輸出尺寸為 $(N, C, D_{out}, H_{out}, W_{out})$ 以及 kernel_size $(kD, kH, kW)$ 可以精確地描述為

$$\begin{aligned} \text{out}(N_i, C_j, d, h, w) ={} & \sum_{k=0}^{kD-1} \sum_{m=0}^{kH-1} \sum_{n=0}^{kW-1} \\ & \frac{\text{input}(N_i, C_j, \text{stride}[0] \times d + k, \text{stride}[1] \times h + m, \text{stride}[2] \times w + n)} {kD \times kH \times kW} \end{aligned}$$

如果 padding 非零，則輸入將在所有三個維度上隱式地用零填充 padding 個點。

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 可以是

• 單個 int —— 此時深度、高度和寬度維度都使用相同的值

• 一個由三個整陣列成的 tuple —— 這種情況下，第一個 int 用於深度維度，第二個 int 用於高度維度，第三個 int 用於寬度維度。

引數

• kernel_size (Union[int, tuple[int, int, int]]) – 視窗的大小

• stride (Union[int, tuple[int, int, int]]) – 視窗的步長。預設值是 kernel_size

• padding (Union[int, tuple[int, int, int]]) – 在所有三個維度上隱式新增的零填充

• ceil_mode (bool) – 當為 True 時，將使用 ceil 而不是 floor 來計算輸出形狀

• count_include_pad (bool) – 如果為 True，則將零填充包含在平均計算中

• divisor_override (Optional[int]) – 如果指定，將用作除數，否則將使用 kernel_size

形狀

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

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

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

  根據上面的註釋，如果 ceil_mode 為 True 且 $(D_{out} - 1)\times \text{stride}[0]\geq D_{in} + \text{padding}[0]$，我們將跳過最後一個視窗，因為它會從填充區域開始，導致 $D_{out}$ 減少一。

  對於 $W_{out}$ 和 $H_{out}$ 也是如此。

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)

forward(input)

執行前向傳播。

返回型別

張量