AvgPool1d

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

在由多個輸入平面組成的輸入訊號上應用一維平均池化。

在最簡單的情況下，輸入尺寸為 $(N, C, L)$，輸出尺寸為 $(N, C, L_{out})$ 且 kernel_size 為 $k$ 的層的輸出值可以精確描述為：

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

如果 padding 非零，則輸入會在兩側進行隱式零填充，填充點數為 padding。

注意

當 ceil_mode=True 時，滑動視窗允許超出邊界，如果它們從左側填充或輸入內部開始。從右側填充區域開始的滑動視窗將被忽略。

引數 kernel_size、stride、padding 各自可以是 int 或一個包含一個元素的元組。

引數

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

• stride (Union[int, tuple[int]]) – 視窗步長。預設值為 kernel_size

• padding (Union[int, tuple[int]]) – 在兩側新增的隱式零填充

• ceil_mode (bool) – 當為 True 時，計算輸出形狀時將使用 ceil 而不是 floor

• count_include_pad (bool) – 當為 True 時，在平均計算中將包含零填充

形狀

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

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

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

  根據上面的注意事項，如果 ceil_mode 為 True 且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$，我們將跳過最後一個視窗，因為它會從右側填充區域開始，導致 $L_{out}$ 減少一。

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.]]])