MaxPool1d

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

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，具有輸入尺寸 $(N, C, L)$ 和輸出 $(N, C, L_{out})$ 的圖層的輸出值可以精確地描述為：

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

如果 padding 非零，則輸入將在兩側隱式地用負無窮大進行填充，填充長度為 padding。 dilation 是滑動視窗內元素之間的步幅。這個 連結 有一個關於池化引數的精彩視覺化。

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]]) – 滑動視窗的步幅，必須 > 0。預設值為 kernel_size。

• padding (Union[int, tuple[int]]) – 要新增到兩端的隱式負無窮大填充，必須 >= 0 且 <= kernel_size / 2。

• dilation (Union[int, tuple[int]]) – 滑動視窗內元素的步幅，必須 > 0。

• return_indices (bool) – 如果為 True，則將返回最大值的 argmax。對於之後的 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。這確保輸入張量中的每個元素都覆蓋在滑動視窗內。

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 $L_{out} = L_{out} - 1$ 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)

執行前向傳播。