AvgPool3d

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

Применяет трехмерное усредняющее пулирование к входному сигналу, состоящему из нескольких входных плоскостей.

В простейшем случае выходное значение слоя с размером входных данных $(N, C, D, H, W)$, выходными данными $(N, C, D_{out}, H_{out}, W_{out})$ и kernel_size $(kD, kH, kW)$ можно точно описать следующим образом:

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

Если padding не равен нулю, входные данные неявно дополняются нулями со всех трех сторон на padding точек.

Примечание

При 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 правого дополнения, игнорируются.

Примечание

Значение pad не должно превышать половины эффективного размера ядра.

Параметры kernel_size, stride могут задаваться следующим образом:

• одно значение int — в этом случае одно и то же значение используется для глубины, высоты и ширины
• tuple из трех целых чисел — в этом случае первое int используется для глубины, второе int — для высоты, а третье int — для ширины

Параметры:

• kernel_size (int | tuple[int, int, int]) – размер окна
• stride (int | tuple[int, int, int]) – шаг окна. Значение по умолчанию — kernel_size
• padding (int | tuple[int, int, int]) – неявное дополнение нулями, добавляемое со всех трех сторон
• ceil_mode (bool) – если True, для вычисления формы выходных данных вместо floor используется ceil
• count_include_pad (bool) – если True, нулевое дополнение включается в вычисление среднего значения
• divisor_override (int | None) – если задано, используется в качестве делителя; в противном случае используется kernel_size

Форма:

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

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

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

  Согласно приведенному выше примечанию, если ceil_mode имеет значение True и $(D_{out} - 1)\times \text{stride}[0]\geq D_{in} + \text{padding}[0]$, последнее окно пропускается, поскольку оно начиналось бы в области дополнения, в результате чего значение $D_{out}$ уменьшается на единицу.

  То же самое относится к $W_{out}$ и $H_{out}$.

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)

forward(input) [source]

Выполняет прямой проход.

Тип возвращаемого значения:

Tensor