AvgPool1d

class torch.nn.modules.pooling.AvgPool1d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

对由多个输入平面组成的输入信号进行1D平均池化操作。

在最简单的情况下，具有输入尺寸 $(N, C, L)$ 的层，输出尺寸为 $(N, C, L_{out})$ 和 kernel_size $k$ 的输出值可以精确描述为：

$$\text{out}(N_i, C_j, l) = \frac{1}{k} \sum_{m=0}^{k-1} \text{input}(N_i, C_j, \text{stride} \times l + m)$$

如果 padding 非零，则输入在两侧隐式地用 padding 个点进行零填充。

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, padding 都可以是 int 类型或一个单元素的元组。

参数:

• kernel_size (int | tuple[int]) – 窗口的大小

• stride (int | tuple[int]) – 窗口的步长。默认值为 kernel_size

• padding (int | tuple[int]) – 添加到两边的隐式零填充

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

• count_include_pad (bool) – 如果为 True，则将零填充包含在平均计算中

形状

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

• 输出： $(N, C, L_{out})$ 或 $(C, L_{out})$，其中：

  $$L_{out} = \left\lfloor \frac{L_{in} + 2 \times \text{padding} - \text{kernel\_size}}{\text{stride}} + 1\right\rfloor$$

  根据上面的说明，如果 ceil_mode 为 True 并且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$，我们将跳过最后一个窗口，因为它将从右侧填充区域开始，导致 $L_{out}$ 减少一。

示例

>>> # pool with window of size=3, stride=2
>>> m = nn.AvgPool1d(3, stride=2)
>>> m(torch.tensor([[[1., 2, 3, 4, 5, 6, 7]]]))
tensor([[[2., 4., 6.]]])

forward(input)

执行前向传播。

返回类型:

张量