MaxPool1d#

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

對由多個輸入平面組成的輸入訊號應用 1D 最大池化。

在最簡單的情況下，輸入尺寸為 $(N, C, L)$ 且輸出尺寸為 $(N, C, L_{out})$ 的層輸出值可以精確描述為

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，則輸入兩側隱式填充負無窮。 dilation 是滑動視窗內元素的步長。這個連結有一個很棒的池化引數視覺化。

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。

引數

kernel_size (Union[int, tuple[int]]) – 滑動視窗的大小，必須 > 0。
stride (Union[int, tuple[int]]) – 滑動視窗的步長，必須 > 0。預設值為 kernel_size。
padding (Union[int, tuple[int]]) – 兩側要新增的隱式負無窮填充，必須 >= 0 且 <= kernel_size / 2。
dilation (Union[int, tuple[int]]) – 滑動視窗內元素之間的步長，必須 > 0。
return_indices (bool) – 如果為 True，則返回最大值的 argmax。這對於後續使用 torch.nn.MaxUnpool1d 很有用。
ceil_mode (bool) – 如果為 True，將使用 ceil 而不是 floor 來計算輸出形狀。這確保了輸入張量的每個元素都被滑動視窗覆蓋。

形狀

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

其中 ceil_mode = False

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

$L_{out} = \left\lceil \frac{L_{in} + 2 \times \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1 + (stride - 1)}{\text{stride}}\right\rceil + 1$
確保最後一個池化操作從影像內部開始，使得 $L_{out} = L_{out} - 1$ 當 $(L_{out} - 1) * \text{stride} >= L_{in} + \text{padding}$ 。

示例

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

forward(input)[原始碼]#

執行前向傳播。

文件