MaxPool1d

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

Выполняет одномерное объединение с выбором максимума над входным сигналом, состоящим из нескольких входных плоскостей.

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

$$out(N_i, C_j, k) = \max_{m=0, \ldots, \text{kernel\_size} - 1} input(N_i, C_j, stride \times k + m)$$

Если padding не равно нулю, входные данные неявно дополняются отрицательной бесконечностью с обеих сторон на padding точек. dilation — это шаг между элементами внутри скользящего окна. По этой ссылке можно посмотреть наглядную визуализацию параметров объединения.

Примечание

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

Параметры:

• kernel_size (int | tuple[int]) – Размер скользящего окна, должен быть > 0.
• stride (int | tuple[int]) – Шаг скользящего окна, должен быть > 0. Значение по умолчанию — kernel_size.
• padding (int | tuple[int]) – Неявное дополнение отрицательной бесконечностью с обеих сторон; должно быть >= 0 и <= kernel_size / 2.
• dilation (int | tuple[int]) – Шаг между элементами внутри скользящего окна, должен быть > 0.
• return_indices (bool) – Если True, вместе со значениями максимумов возвращается argmax. Полезно для последующего применения torch.nn.MaxUnpool1d
• ceil_mode (bool) – Если True, для вычисления выходной формы вместо floor используется ceil. Это гарантирует, что каждый элемент входного тензора будет охвачен скользящим окном.

Форма:

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

• Выход: $(N, C, L_{out})$ или $(C, L_{out})$,

  где ceil_mode = False

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

  где ceil_mode = True

  $$L_{out} = \left\lfloor \frac{L_{in} + 2 \times \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1 + (\text{stride} - 1)}{\text{stride}}\right\rfloor + 1$$
• Чтобы последнее объединение начиналось внутри изображения, задайте $L_{out} = L_{out} - 1$, если $(L_{out} - 1) * \text{stride} >= L_{in} + \text{padding}$.

Примеры:

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

forward(input) [исходный код]

Выполняет прямой проход.