Applies a 3D average pooling over an input signal composed of several input planes.
In the simplest case, the output value of the layer with input size (N,C,D,H,W), output (N,C,Dout,Hout,Wout) and kernel_size
(kD,kH,kW) can be precisely described as
输出(Ni,Cj,d,h,w)=k=0∑kD−1m=0∑kH−1n=0∑kW−1kD×kH×kW输入(Ni,Cj,步长[0]×d+k,步长[1]×h+m,步长[2]×w+n) 如果 padding
非零,则输入在所有三个维度上隐式地填充 padding
个点。
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。
注意
padding 最多应该是有效核大小的一半。
参数 kernel_size
,stride
可以是
- 参数
kernel_size (Union[int, tuple[int, int, int]]) – 窗口的大小
stride (Union[int, tuple[int, int, int]]) – 窗口的步长。默认值是 kernel_size
padding (Union[int, tuple[int, int, int]]) – 要添加到所有三个维度的隐式零填充
ceil_mode (bool) – 如果为 True,则在计算输出形状时使用 ceil 而不是 floor。
count_include_pad (bool) – 如果为 True,则在平均计算中包含零填充。
divisor_override (Optional[int]) – 如果指定,将用作除数,否则将使用 kernel_size
。
- 形状
输入:(N,C,Din,Hin,Win) 或者 (C,Din,Hin,Win)。
输出:(N,C,Dout,Hout,Wout) 或者 (C,Dout,Hout,Wout)。
Dout=⌊步长[0]Din+2×padding[0]−kernel_size[0]+1⌋
Hout=⌊步长[1]Hin+2×padding[1]−kernel_size[1]+1⌋
Wout=⌊步长[2]Win+2×padding[2]−kernel_size[2]+1⌋ 根据上面的说明,如果 ceil_mode
为 True 且 (Dout−1)×stride[0]≥Din+padding[0], 我们将跳过最后一个窗口,因为它会从填充区域开始,导致 Dout 减少一。
对于 Wout 和 Hout 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)