LPPool2d

classtorch.nn.LPPool2d(norm_type, kernel_size, stride=None, ceil_mode=False)[源代码]

对该输入信号进行二维幂平均池化操作，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，同一个值会被用来表示高度和宽度。

一个包含两个整数的元组，其中第一个整数表示高度，第二个整数表示宽度。

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]]) – 窗口大小
stride (Union[int, Tuple[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: $(N, C, H_{in}, W_{in})$ 或 $(C, H_{in}, W_{in})$ 。
输出为 $(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$
$H_{out} = \left\lfloor\frac{H_{in} - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor$ $W_{out} = \left\lfloor\frac{W_{in} - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor$

示例:

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool2d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool2d(1.2, (3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)