MaxPool1d ¬

class torch.nn.MaxPool1d(核大小, 步长=None, 填充=0, 扩展=1, 返回索引=False, 向上取整模式=False)[源代码][源代码] ¬

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 $(N, C, L)$ ，输出大小为 $(N, C, L_{out})$ 的层的输出值可以精确描述为：

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

如果 padding 非零，则输入将在两侧隐式填充负无穷大，填充 padding 个点。 dilation 是滑动窗口内元素之间的步长。此链接有一个关于池化参数的精彩可视化。

注意

当 ceil_mode=True 时，滑动窗口允许在左填充或输入内开始时超出边界。如果滑动窗口将开始于右填充区域，则忽略。

参数:

• 核心大小（Union[int, tuple[int]]）- 滑动窗口的大小，必须大于 0。

• 步长（Union[int, tuple[int]]）- 滑动窗口的步长，必须大于 0。默认值为 kernel_size 。

• 填充（Union[int, tuple[int]]）- 在两侧添加的隐式负无穷大填充，必须大于等于 0 且小于等于核心大小的一半。

• 扩展（Union[int, tuple[int]]）- 滑动窗口内元素之间的步长，必须大于 0。

• return_indices (bool) – 如果 True ，将返回 argmax 及其最大值。对于 torch.nn.MaxUnpool1d 很有用

• ceil_mode (bool) – 如果 True ，将使用向上取整而不是向下取整来计算输出形状。这确保了输入张量中的每个元素都被滑动窗口覆盖

形状：

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

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

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

示例：

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