MaxPool1d#

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

对由多个输入平面组成的输入信号应用 1D 最大池化。

在最简单的情况下，输入尺寸为 $(N, C, L)$ 且输出尺寸为 $(N, C, L_{out})$ 的层输出值可以精确描述为

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，则输入两侧隐式填充负无穷。 dilation 是滑动窗口内元素的步长。这个链接有一个很棒的池化参数可视化。

注意

当 ceil_mode=True 时，如果滑动窗口从左侧填充或输入开始，则允许它们超出边界。从右侧填充区域开始的滑动窗口将被忽略。

参数

kernel_size (Union[int, tuple[int]]) – 滑动窗口的大小，必须 > 0。
stride (Union[int, tuple[int]]) – 滑动窗口的步长，必须 > 0。默认值为 kernel_size。
padding (Union[int, tuple[int]]) – 两侧要添加的隐式负无穷填充，必须 >= 0 且 <= kernel_size / 2。
dilation (Union[int, tuple[int]]) – 滑动窗口内元素之间的步长，必须 > 0。
return_indices (bool) – 如果为 True，则返回最大值的 argmax。这对于后续使用 torch.nn.MaxUnpool1d 很有用。
ceil_mode (bool) – 如果为 True，将使用 ceil 而不是 floor 来计算输出形状。这确保了输入张量的每个元素都被滑动窗口覆盖。

形状

输入： $(N, C, L_{in})$ 或 $(C, L_{in})$ 。
输出： $(N, C, L_{out})$ 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

$L_{out} = \left\lceil \frac{L_{in} + 2 \times \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1 + (stride - 1)}{\text{stride}}\right\rceil + 1$
确保最后一个池化操作从图像内部开始，使得 $L_{out} = L_{out} - 1$ 当 $(L_{out} - 1) * \text{stride} >= L_{in} + \text{padding}$ 。

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)[源代码]#

执行前向传播。

文档