MaxPool1d

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

在一個由多個輸入平面組成的輸入訊號上應用一維最大池化。

在最簡單的情況下，輸入大小為 $(N, C, L)$ 且輸出大小為 $(N, C, L_{out})$ 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，則輸入在兩側隱式填充 padding 個點，填充值為負無窮。 dilation 是滑動視窗內元素之間的步長。這個 連結 對池化引數有很好的視覺化說明。

注意

當 ceil_mode=True 時，如果滑動視窗從左側填充區域或輸入內部開始，則允許越界。從右側填充區域開始的滑動視窗將被忽略。

引數

• kernel_size (Union[int, tuple[int]]) – 滑動視窗的大小，必須 > 0。

• stride (Union[int, tuple[int]]) – 滑動視窗的步長，必須 > 0。預設值為 kernel_size。

• padding (Union[int, tuple[int]]) – 在兩側新增的隱式負無窮填充，必須 >= 0 且 <= kernel_size / 2。

• dilation (Union[int, tuple[int]]) – 滑動視窗內元素之間的步長，必須 > 0。

• return_indices (bool) – 如果為 True，將返回最大值以及對應的索引 (argmax)。這對於後續使用 torch.nn.MaxUnpool1d 非常有用。

• ceil_mode (bool) – 如果為 True，將使用 ceil 而非 floor 計算輸出形狀。這確保了輸入張量中的每個元素都被滑動視窗覆蓋。

形狀

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

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

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

示例

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