LPPool2d

class torch.nn.LPPool2d(norm_type, kernel_size, stride=None, ceil_mode=False)

將 2D 冪平均池化應用於由多個輸入平面組成的輸入訊號上。

在每個視窗上，計算的函數為

$$f(X) = \sqrt[p]{\sum_{x \in X} x^{p}}$$

• 當 p = $\infty$ 時，會得到最大池化

• 當 p = 1 時，會得到總和池化 (與平均池化成正比)

參數 kernel_size、stride 可以是

• 單一 int – 在此情況下，高度和寬度維度會使用相同的值

• 兩個整數的 tuple – 在此情況下，第一個 int 用於高度維度，第二個 int 用於寬度維度

注意

如果 p 次方總和為零，則未定義此函數的梯度。在此情況下，此實作會將梯度設定為零。

參數

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

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

• ceil_mode (bool) – 若為 True，則會使用 ceil 而非 floor 來計算輸出形狀

形狀

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

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

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

範例

>>> # 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)