MaxPool1d

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

对由多个输入平面组成的输入信号应用一维最大池化。

在最简单的情况下，输入大小为 $(N, C, L)$ 的层的输出值可以精确地描述为：

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

如果padding不为零，则输入会在两侧隐式填充负无穷大，填充的点数为padding的数量。dilation是滑动窗口内元素之间的步幅。这个链接有关于池化参数的很好的可视化展示。

注意

当 ceil_mode=True 时，滑动窗口允许超出边界，如果它们从左填充或输入区域内开始。从右填充区域开始的滑动窗口将被忽略。

Parameters

• kernel_size (Union[int, Tuple[int]]) – 滑动窗口的大小，必须大于0。

• 步幅 (联合[整数, 元组[整数]]) – 滑动窗口的步幅，必须大于0。默认值是kernel_size。

• 填充 (联合[整数, 元组[整数]]) – 在两侧添加的隐式负无穷填充，必须 >= 0 且 <= kernel_size / 2。

• 膨胀 (联合[整数, 元组[整数]]) – 滑动窗口内元素之间的步幅，必须大于0。

• return_indices (布尔值) – 如果 True，将返回最大值及其对应的索引。 对于后续的 torch.nn.MaxUnpool1d 很有用

• ceil_mode (bool) – 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。

Shape:

• 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：

>>> # 池化大小=3，步幅=2
>>> m = nn.MaxPool1d(3, stride=2)
>>> input = torch.randn(20, 16, 50)
>>> output = m(input)