AvgPool1d

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

對由多個輸入平面組成的輸入訊號應用一維平均池化。

在最簡單的情況下，輸入大小為 $(N, C, L)$，輸出為 $(N, C, L_{out})$ 且 kernel_size $k$ 可以精確地描述為

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

如果 padding 為非零值，則輸入會在兩側隱式地以零填充 padding 數量的點。

注意

當 ceil_mode=True 時，如果滑動窗口從左側填充區域或輸入內開始，則允許滑動窗口超出邊界。 從右側填充區域開始的滑動窗口將被忽略。

參數 kernel_size、stride 和 padding 都可以是 int 或單元素元組。

參數

• kernel_size (Union[int, Tuple[int]]) – 視窗的大小

• stride (Union[int, Tuple[int]]) – 視窗的步幅。預設值為 kernel_size

• padding (Union[int, Tuple[int]]) – 要添加到兩側的隱式零填充

• ceil_mode (bool) – 如果為 True，將使用 ceil 而不是 floor 來計算輸出形狀

• count_include_pad (bool) – 若為 True，則會在平均值計算中包含零填充 (zero-padding)。

形狀 (Shape)

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

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

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

  根據以上註解，如果 ceil_mode 為 True 且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$, 我們會跳過最後一個視窗，因為它會從右邊填充的區域開始，導致 $L_{out}$ 減少 1。

範例

>>> # 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.]]])