AvgPool1d

class torch.nn.modules.pooling.AvgPool1d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

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，具有輸入尺寸 $(N, C, L)$ 的層，輸出尺寸為 $(N, C, L_{out})$ 和 kernel_size $k$ 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。

kernel_size、stride、padding 引數都可以是 int 或單元素元組。

引數

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

• stride (Union[int, tuple[int]]) – 視窗步長。預設值為 kernel_size

• padding (Union[int, tuple[int]]) – 新增到兩側的隱式零填充

• 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

形狀

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

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

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

  根據上面的註釋，如果 ceil_mode 為 True 且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$, 我們會跳過最後一個視窗，因為它會起始於右側填充區域，導致 $L_{out}$ 減少一。

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)

執行前向傳播。

返回型別

張量