Python PyTorch MaxPool1d用法及代码示例

本文简要介绍python语言中 torch.nn.MaxPool1d 的用法。

用法:

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

参数：

• kernel_size-滑动窗口的大小，必须 > 0。

• stride-滑动窗口的步幅，必须 > 0。默认值为 kernel_size 。

• padding-要在两侧添加隐式负无穷大填充，必须 >= 0 和 <= kernel_size /2。

• dilation-滑动窗口内元素之间的步幅必须 > 0。

• return_indices-如果 True ，将返回 argmax 以及最大值。以后对 torch.nn.MaxUnpool1d 有用

• ceil_mode-如果 True ，将使用 ceil 而不是 floor 来计算输出形状。这确保了输入张量中的每个元素都被滑动窗口覆盖。

在由多个输入平面组成的输入信号上应用 1D 最大池化。

在最简单的情况下，输入大小为(N, C, L)和输出(N, C, L_{out})的层的输出值可以精确地说明为：

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

如果padding 不为零，则输入在两侧隐式填充为padding 点数的负无穷大。 dilation 是滑动窗口内元素之间的步幅。这个link 对池化参数有很好的可视化效果。

注意

当ceil_mode=True 时，如果滑动窗口在左侧填充或输入内开始，则允许滑动窗口越界。将在右侧填充区域开始的滑动窗口将被忽略。

形状：

• 输入：(N, C, L_{in}) 或 (C, L_{in}) 。

• 输出： (N, C, L_{out}) 或 (C, L_{out}) ，其中

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

例子：

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