AvgPool3d

class torch.nn.AvgPool3d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None) [source]

Применяет 3D усреднение по сигналу, состоящему из нескольких входных плоскостей.

В самом простом случае выходное значение слоя с размером входа $(N, C, D, H, W)$, выход $(N, C, D_{out}, H_{out}, W_{out})$ и kernel_size $(kD, kH, kW)$ можно точно описать как:

$$\begin{aligned} \text{out}(N_i, C_j, d, h, w) ={} & \sum_{k=0}^{kD-1} \sum_{m=0}^{kH-1} \sum_{n=0}^{kW-1} \\ & \frac{\text{input}(N_i, C_j, \text{stride}[0] \times d + k, \text{stride}[1] \times h + m, \text{stride}[2] \times w + n)} {kD \times kH \times kW} \end{aligned}$$

Если padding не равно нулю, то вход неявно дополняется нулями со всех трех сторон на padding количество точек.

Примечание

Когда ceil_mode=True, скользящие окна разрешается выходить за пределы границ, если они начинаются внутри левого заполнения или входных данных. Скользящие окна, которые начинались бы в правой заполненной области, игнорируются.

Параметры kernel_size, stride могут быть:

• единственным int – в этом случае одно и то же значение используется для глубины, высоты и ширины
• тройкой целых чисел – в этом случае первое int используется для измерения глубины, второе int для измерения высоты и третье int для измерения ширины

Параметры:

• kernel_size (Union[int, Tuple[int, int, int]]) – размер окна
• stride (Union[int, Tuple[int, int, int]]) – шаг окна. Значение по умолчанию kernel_size
• padding (Union[int, Tuple[int, int, int]]) – неявное заполнение нулями, добавляемое со всех трех сторон
• ceil_mode (bool) – при True, будет использовать ceil вместо floor для вычисления размера выходных данных
• count_include_pad (bool) – при True, будет включать нулевое заполнение в вычисление усреднения
• divisor_override (Optional[int]) – если указано, оно будет использоваться в качестве делителя, в противном случае kernel_size будет использоваться

Форма:

• Вход: $(N, C, D_{in}, H_{in}, W_{in})$ или $(C, D_{in}, H_{in}, W_{in})$.

• Выход: $(N, C, D_{out}, H_{out}, W_{out})$ или $(C, D_{out}, H_{out}, W_{out})$, где

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

Примеры:

>>> # pool of square window of size=3, stride=2
>>> m = nn.AvgPool3d(3, stride=2)
>>> # pool of non-square window
>>> m = nn.AvgPool3d((3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50,44, 31)
>>> output = m(input)