AvgPool1d

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

Применяет 1D усредняющее пулинговое преобразование к входному сигналу, состоящему из нескольких входных плоскостей.

В простейшем случае значение выходного слоя с размером входа $(N, C, L)$, выход $(N, C, L_{out})$ и kernel_size $k$ может быть точно описано 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, то вход неявно дополняется нулями с обеих сторон на padding 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, padding могут быть либо целым числом, либо кортежем из одного элемента.

Параметры

• kernel_size (Union[int, Tuple[int]]) – размер окна
• stride (Union[int, Tuple[int]]) – шаг окна. Значение по умолчанию равно kernel_size
• padding (Union[int, Tuple[int]]) – неявное заполнение нулями, добавляемое с обеих сторон
• ceil_mode (bool) – если True, будет использовано ceil вместо floor для вычисления формы вывода
• count_include_pad (bool) – если True, нулевое заполнение включается в вычисление усреднения

Форма:

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

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

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

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.]]])