Python PyTorch MaxPool1d用法及代碼示例

本文簡要介紹python語言中 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)

參數：

• kernel_size-滑動窗口的大小，必須 > 0。

• stride-滑動窗口的步幅，必須 > 0。默認值為 kernel_size 。

• padding-要在兩側添加隱式負無窮大填充，必須 >= 0 和 <= kernel_size /2。

• dilation-滑動窗口內元素之間的步幅必須 > 0。

• return_indices-如果 True ，將返回 argmax 以及最大值。以後對 torch.nn.MaxUnpool1d 有用

• ceil_mode-如果 True ，將使用 ceil 而不是 floor 來計算輸出形狀。這確保了輸入張量中的每個元素都被滑動窗口覆蓋。

在由多個輸入平麵組成的輸入信號上應用 1D 最大池化。

在最簡單的情況下，輸入大小為(N, C, L)和輸出(N, C, L_{out})的層的輸出值可以精確地說明為：

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 不為零，則輸入在兩側隱式填充為padding 點數的負無窮大。 dilation 是滑動窗口內元素之間的步幅。這個link 對池化參數有很好的可視化效果。

注意

當ceil_mode=True 時，如果滑動窗口在左側填充或輸入內開始，則允許滑動窗口越界。將在右側填充區域開始的滑動窗口將被忽略。

形狀：

• 輸入：(N, C, L_{in}) 或 (C, L_{in}) 。

• 輸出： (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)