AvgPool1d

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

Применяет одномерное усредняющее пулинг-преобразование к входному сигналу, состоящему из нескольких входных плоскостей.

В простейшем случае выходное значение слоя с входным размером $(N, C, L)$, выходным размером $(N, C, L_{out})$ и kernel_size $k$ можно точно описать следующим образом:

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

Если padding не равно нулю, входные данные неявно дополняются нулями с обеих сторон на padding точек.

Примечание

Если ceil_mode=True, скользящие окна могут выходить за границы, если они начинаются внутри левого дополнения или входных данных. Скользящие окна, которые начинались бы в области дополнения справа, игнорируются.

Примечание

Значение pad не должно превышать половину эффективного размера ядра.

Каждый из параметров kernel_size, stride, padding может быть int или кортежем из одного элемента.

Параметры:

• kernel_size (int | tuple[int]) – размер окна
• stride (int | tuple[int]) – шаг окна. Значение по умолчанию — kernel_size
• padding (int | tuple[int]) – неявное дополнение нулями, добавляемое с обеих сторон
• ceil_mode (bool) – если True, для вычисления формы выходных данных используется ceil вместо floor
• count_include_pad (bool) – если True, дополнение нулями учитывается при вычислении среднего значения

Форма:

• Входные данные: $(N, C, L_{in})$ или $(C, L_{in})$.

• Выходные данные: $(N, C, L_{out})$ или $(C, L_{out})$, где

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

  Согласно примечанию выше, если ceil_mode равно True и $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$, последнее окно пропускается, поскольку оно начиналось бы в области дополнения справа, в результате чего значение $L_{out}$ уменьшается на единицу.

Примеры:

>>> # 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.]]])

forward(input) [источник]

Выполняет прямой проход.

Тип возвращаемого значения:

Tensor