评价此页

LPPool2d#

class torch.nn.LPPool2d(norm_type, kernel_size, stride=None, ceil_mode=False)[source]#

在由多个输入平面组成的输入信号上应用 2D 幂平均池化。

在每个窗口上,计算的函数为

f(X)=xXxppf(X) = \sqrt[p]{\sum_{x \in X} x^{p}}
  • 当 p = \infty 时,得到 Max Pooling

  • 当 p = 1 时,得到 Sum Pooling(这与平均池化成比例)

参数 kernel_sizestride 可以是

  • 单个 int – 在这种情况下,高度和宽度维度使用相同的值

  • 两个 int 的 tuple – 在这种情况下,第一个 int 用于高度维度,第二个 int 用于宽度维度

注意

如果求和的 p 次方为零,则该函数的梯度未定义。此实现将在这种情况下将梯度设置为零。

参数
  • kernel_size (Union[int, tuple[int, int]]) – 窗口的大小

  • stride (Union[int, tuple[int, int]]) – 窗口的步幅。默认值为 kernel_size

  • ceil_mode (bool) – 当设置为 True 时,将使用 ceil 而不是 floor 来计算输出形状

形状
  • 输入: (N,C,Hin,Win)(N, C, H_{in}, W_{in})(C,Hin,Win)(C, H_{in}, W_{in})

  • 输出: (N,C,Hout,Wout)(N, C, H_{out}, W_{out})(C,Hout,Wout)(C, H_{out}, W_{out}),其中

    Hout=Hinkernel_size[0]stride[0]+1H_{out} = \left\lfloor\frac{H_{in} - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor
    Wout=Winkernel_size[1]stride[1]+1W_{out} = \left\lfloor\frac{W_{in} - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor

示例

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool2d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool2d(1.2, (3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)