LPPool2d

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

對由多個輸入平面組成的輸入訊號應用 2D 冪平均池化。

在每個視窗上，計算的函式為

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

• 當 p = $\infty$ 時，得到 Max Pooling（最大池化）

• 當 p = 1 時，得到 Sum Pooling（求和池化）（這與平均池化成比例）

引數 kernel_size, stride 可以是

• 一個 int – 此時高度和寬度尺寸使用相同的值

• 一個包含兩個整數的 tuple – 此時，第一個 int 用於高度尺寸，第二個 int 用於寬度尺寸

注意

如果 p 次方的和為零，則此函式的梯度未定義。在此情況下，此實現將梯度設定為零。

引數

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

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

• ceil_mode (bool) – 若為 True，計算輸出形狀時將使用 ceil 而非 floor

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

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

示例

>>> # 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)