LPPool3d

classtorch.nn.LPPool3d(norm_type, kernel_size, stride=None, ceil_mode=False)[源代码]

对该输入信号进行三维幂平均池化操作，该信号由多个输入平面组成。

在每个窗口中计算的函数是：

$f(X) = \sqrt[p]{\sum_{x \in X} x^{p}}$

• 当 p 等于 $\infty$ 时，就会得到最大池化

• 当 p = 1 时，会得到求和池化（这相当于平均池化的结果）

参数 kernel_size 和 stride 可以是：

• 一个单独的 int — 在这种情况下，这个值会被用来表示高度、宽度和深度这三个维度。

• 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。

注意

当幂次 p 的和为零时，该函数的梯度未定义。在此情况下，此实现会将梯度设为零。

参数

• kernel_size (Union[int, Tuple[int, int, int]]) – 窗口大小

• stride (Union[int, Tuple[int, int, int]]) – 窗口的步幅。默认值为 kernel_size

• ceil_mode (bool) – 当设置为 True 时，使用 ceil 而不是 floor 来计算输出形状

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

  $D_{out} = \left\lfloor\frac{D_{in} - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor$
  $H_{out} = \left\lfloor\frac{H_{in} - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor$
  $W_{out} = \left\lfloor\frac{W_{in} - \text{kernel\_size}[2]}{\text{stride}[2]} + 1\right\rfloor$

示例:

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool3d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool3d(1.2, (3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50, 44, 31)
>>> output = m(input)