MaxPool1d

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

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，具有输入尺寸 $(N, C, L)$ 和输出尺寸 $(N, C, L_{out})$ 的图层的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，则输入将在两侧隐式地用负无穷大填充 padding 个点。 dilation 是滑动窗口内元素之间的步长。 这个 链接 有一个不错的关于池化参数的可视化。

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 (int | tuple[int]) – 滑动窗口的大小，必须大于 0。

• stride (int | tuple[int]) – 滑动窗口的步长，必须大于 0。默认值为 kernel_size。

• padding (int | tuple[int]) – 隐式的负无穷大填充，将在两侧添加，必须大于等于 0 且小于等于 kernel_size / 2。

• dilation (int | tuple[int]) – 滑动窗口内元素之间的步长，必须大于 0。

• return_indices (bool) – 如果为 True，将返回最大值的 argmax。这对于稍后的 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。这将确保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

  $$L_{out} = \left\lceil \frac{L_{in} + 2 \times \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1 + (stride - 1)}{\text{stride}}\right\rceil + 1$$

• 确保最后一次池化在图像内部开始，令 $L_{out} = L_{out} - 1$ 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)

执行前向传播。