AvgPool3d
- 类 torch.nn.AvgPool3d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None) [源代码]
-
对该数据执行三维平均池化操作，该数据由多个输入平面组成。
在最简单的情况下，对于输入大小为$(N, C, D, H, W)$、输出为$(N, C, D_{out}, H_{out}, W_{out})$且
kernel_size为$(kD, kH, kW)$的层，其输出值可以精确描述为：$\begin{aligned} \text{out}(N_i, C_j, d, h, w) ={} & \sum_{k=0}^{kD-1} \sum_{m=0}^{kH-1} \sum_{n=0}^{kW-1} \\ & \frac{\text{input}(N_i, C_j, \text{stride}[0] \times d + k, \text{stride}[1] \times h + m, \text{stride}[2] \times w + n)} {kD \times kH \times kW} \end{aligned}$如果
padding不为零，则输入会在每个方向上隐式地补零，每边补padding个点。注意
当 ceil_mode=True 时，如果滑动窗口始于左填充区域或输入区域，则允许其超出边界。而那些原本应从右填充区域开始的滑动窗口则会被忽略。
参数
kernel_size和stride可以是：-
一个单独的
int— 在这种情况下，这个值将同时应用于深度、高度和宽度这三个维度。 -
一个包含三个整数的
元组– 在这种情况下，第一个整数表示深度维度，第二个整数表示高度维度，第三个整数表示宽度维度。
- 参数
-
-
stride (Union[int, Tuple[int, int, int]]) – 窗口的步幅。默认值为
kernel_size -
padding (Union[int, Tuple[int, int, int]]) – 在所有三个方向上隐式添加的零填充
-
ceil_mode (bool) – 当设置为 True 时，使用 ceil 而不是 floor 来计算输出形状
-
count_include_pad (bool) – 是否在平均计算中包含零填充（当为 True 时）
-
divisor_override (Optional[int]) – 如果指定了值，将用作除数；否则使用
kernel_size
- 形状:
-
-
输入: $(N, C, D_{in}, H_{in}, W_{in})$ 或 $(C, D_{in}, H_{in}, W_{in})$.
-
输出为：$(N, C, D_{out}, H_{out}, W_{out})$ 或 $(C, D_{out}, H_{out}, W_{out})$，其中
$D_{out} = \left\lfloor\frac{D_{in} + 2 \times \text{padding}[0] - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor$$H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[1] - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor$$W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[2] - \text{kernel\_size}[2]}{\text{stride}[2]} + 1\right\rfloor$根据上述说明，如果
ceil_mode为 True 并且满足条件 $(D_{\text{out}} - 1) \times \text{stride}[0] \geq D_{\text{in}} + \text{padding}[0]$，我们会跳过最后一个窗口，因为它会从填充区域开始。这样会导致 $D_{\text{out}}$ 减少一个。这同样适用于$W_{out}$和$H_{out}$。
-
示例:
>>> # pool of square window of size=3, stride=2 >>> m = nn.AvgPool3d(3, stride=2) >>> # pool of non-square window >>> m = nn.AvgPool3d((3, 2, 2), stride=(2, 1, 2)) >>> input = torch.randn(20, 16, 50, 44, 31) >>> output = m(input)
-