MaxPool1d

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

對由多個輸入平面組成的輸入訊號應用一維最大池化。

在最簡單的情況下，輸入大小為 $(N, C, L)$，輸出為 $(N, C, L_{out})$ 的層的輸出值可以精確地描述為

$$out(N_i, C_j, k) = \max_{m=0, \ldots, \text{kernel\_size} - 1} input(N_i, C_j, stride \times k + m)$$

如果 padding 非零，則輸入會在兩側隱式地填充負無限大，填充點數等於 padding 的值。dilation 是滑動窗口內元素之間的步長。這個 連結 有一個很好的池化參數視覺化說明。

注意

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

參數

• kernel_size (Union[int, Tuple[int]]) – 滑動窗口的大小，必須 > 0。

• stride (Union[int, Tuple[int]]) – 滑動窗口的步長，必須 > 0。預設值為 kernel_size。

• padding (Union[int, Tuple[int]]) – 在兩側添加的隱式負無限大填充，必須 >= 0 且 <= kernel_size / 2。

• dilation (Union[int, Tuple[int]]) – 滑動窗口內元素之間的步長，必須 > 0。

• return_indices (bool) – 如果 True，將返回 argmax 以及最大值。對於稍後的 torch.nn.MaxUnpool1d 很有用

• ceil_mode (bool) – 如果 True，將使用 ceil 而不是 floor 來計算輸出形狀。這確保輸入張量中的每個元素都被一個滑動窗口覆蓋。

形狀

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

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

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

範例

>>> # pool of size=3, stride=2
>>> m = nn.MaxPool1d(3, stride=2)
>>> input = torch.randn(20, 16, 50)
>>> output = m(input)