MaxPool1d

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

Применяет 1D максимальное пулинговое усреднение к входному сигналу, состоящему из нескольких входных плоскостей.

В простейшем случае значение выходного слоя с входным размером $(N, C, L)$ и выходным $(N, C, L_{out})$ 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, то вход неявно заполняется отрицательной бесконечностью с обеих сторон на padding количество точек. dilation - это шаг между элементами внутри скользящего окна. У этой ссылка есть хорошая визуализация параметров пулинга.

Примечание

Когда ceil_mode=True, скользящие окна могут выходить за пределы, если они начинаются внутри левой области заполнения или входных данных. Скользящие окна, которые начинались бы в области заполнения справа, игнорируются.

Параметры

• kernel_size (Union[int, Tuple[int]]) – Размер скользящего окна, должно быть > 0.
• stride (Union[int, Tuple[int]]) – Шаг скользящего окна, должен быть > 0. Значение по умолчанию равно kernel_size.
• padding (Union[int, Tuple[int]]) – Неявное заполнение отрицательной бесконечностью, которое нужно добавить с обеих сторон, должно быть >= 0 и <= kernel_size / 2.
• dilation (Union[int, Tuple[int]]) – Шаг между элементами внутри скользящего окна, должен быть > 0.
• return_indices (bool) – Если True, вернёт argmax вместе с максимальными значениями. Полезно для torch.nn.MaxUnpool1d позже
• ceil_mode (bool) – Если True, будет использоваться ceil вместо floor для вычисления размера выходных данных. Это гарантирует, что каждый элемент в тензоре входных данных покрывается скользящим окном.

Форма:

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

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

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

Примеры:

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