LPPool3d

class torch.nn.LPPool3d(norm_type, kernel_size, stride=None, ceil_mode=False)

將 3D 冪平均池化套用至由多個輸入平面組成的輸入訊號。

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 Max Pooling (最大池化)

• 當 p = 1 時，會得到 Sum Pooling (總和池化) (與平均池化成正比)

參數 kernel_size, stride 可以是：

• 單一的 int (整數) – 在這種情況下，相同的值會被用於高度、寬度和深度維度

• 由三個整數組成的 tuple (元組) – 在這種情況下，第一個 int (整數) 用於深度維度，第二個 int (整數) 用於高度維度，第三個 int (整數) 用於寬度維度

注意

如果 p 次方的總和為零，則此函數的梯度未定義。 在這種情況下，此實作會將梯度設定為零。

參數

• kernel_size (視窗大小) (Union[int, Tuple[int, int, int]])

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

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

形狀

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

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

  $$D_{out} = \left\lfloor\frac{D_{in} - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor$$
  $$H_{out} = \left\lfloor\frac{H_{in} - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor$$
  $$W_{out} = \left\lfloor\frac{W_{in} - \text{kernel\_size}[2]}{\text{stride}[2]} + 1\right\rfloor$$

範例

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool3d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool3d(1.2, (3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50, 44, 31)
>>> output = m(input)