AvgPool1d ¬

class torch.nn.AvgPool1d(核大小, 步长=None, 填充=0, ceil_mode=False, count_include_pad=True)[源代码][源代码] ¬

对由多个输入平面组成的输入信号应用 1D 平均池化。

在最简单的情况下，输入大小为 $(N, C, L)$ ，输出大小为 $(N, C, L_{out})$ 、 kernel_size 和 $k$ 的层的输出值可以精确描述为：

$$\text{out}(N_i, C_j, l) = \frac{1}{k} \sum_{m=0}^{k-1} \text{input}(N_i, C_j, \text{stride} \times l + m)$$

如果 padding 不为零，则输入将在两侧隐式地填充零，填充 padding 个点。

注意

当 ceil_mode=True 时，滑动窗口允许在左填充或输入内部超出边界，如果它们从左填充或输入内部开始。如果滑动窗口将从右填充区域开始，则忽略。

参数 kernel_size 、 stride 、 padding 可以分别是 int 或一个元素元组。

参数:

• 窗口大小（Union[int, tuple[int]]）- 窗口的大小

• 步长（Union[int, tuple[int]]）- 窗口的步长。默认值为 kernel_size

• 填充（Union[int, tuple[int]]）- 在两侧添加的隐式零填充

• ceil_mode（bool）- 当为 True 时，将使用 ceil 代替 floor 来计算输出形状

• count_include_pad (布尔值) – 当为 True 时，将包括零填充在平均计算中

形状：

• 输入： $(N, C, L_{in})$ 或 $(C, L_{in})$ 。

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

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

  根据上面的说明，如果 ceil_mode 为 True 且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$ ，我们将跳过最后一个窗口，因为它将开始于右填充区域，导致 $L_{out}$ 减少 1。

示例：

>>> # 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.]]])