Pooling 函数

torch.nn.functional.avg_pool1d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

对由几个输入平面组成的输入信号进行一维平均池化。

有关详细信息和输出形状，请参阅AvgPool1d。

参数：

• kernel_size – 窗口的大小
• stride – 窗口的步长。默认值为kernel_size
• padding – 在两边添加隐式零填充
• ceil_mode – 当为True时，将使用ceil代替floor来计算输出形状
• count_include_pad – 当为True时，这将在平均计算时包括补零

例子：

>>> # pool of square window of size=3, stride=2>>> input = Variable(torch.Tensor([[[1,2,3,4,5,6,7]]]))>>> F.avg_pool1d(input, kernel_size=3, stride=2)Variable containing:(0 ,.,.) = 2 4 6[torch.FloatTensor of size 1x1x3]

torch.nn.functional.avg_pool2d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

在kh x kw区域中应用步长为dh x dw的二维平均池化操作。输出特征的数量等于输入平面的数量。

有关详细信息和输出形状，请参阅AvgPool2d。

参数：

• input – 输入的张量 (minibatch x in_channels x iH x iW)
• kernel_size – 池化区域的大小，可以是单个数字或者元组 (kh x kw)
• stride – 池化操作的步长，可以是单个数字或者元组 (sh x sw)。默认等于核的大小
• padding – 在输入上隐式的零填充，可以是单个数字或者一个元组 (padh x padw)，默认: 0
• ceil_mode – 定义空间输出形状的操作
• count_include_pad – 除以原始非填充图像内的元素数量或kh * kw

torch.nn.functional.avg_pool3d(input, kernel_size, stride=None)

在kt x kh x kw区域中应用步长为dt x dh x dw的二维平均池化操作。输出特征的数量等于 input planes / dt。

torch.nn.functional.max_pool1d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)

torch.nn.functional.max_pool2d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)

torch.nn.functional.max_pool3d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)

torch.nn.functional.max_unpool1d(input, indices, kernel_size, stride=None, padding=0, output_size=None)

torch.nn.functional.max_unpool2d(input, indices, kernel_size, stride=None, padding=0, output_size=None)

torch.nn.functional.max_unpool3d(input, indices, kernel_size, stride=None, padding=0, output_size=None)

torch.nn.functional.lp_pool2d(input, norm_type, kernel_size, stride=None, ceil_mode=False)

torch.nn.functional.adaptive_max_pool1d(input, output_size, return_indices=False)

在由几个输入平面组成的输入信号上应用1D自适应最大池化。

有关详细信息和输出形状，请参阅AdaptiveMaxPool1d。

参数：

• output_size – 目标输出大小（单个整数）
• return_indices – 是否返回池化的指数

torch.nn.functional.adaptive_max_pool2d(input, output_size, return_indices=False)

在由几个输入平面组成的输入信号上应用2D自适应最大池化。

有关详细信息和输出形状，请参阅AdaptiveMaxPool2d。

参数：

• output_size – 目标输出大小（单整数或双整数元组）
• return_indices – 是否返回池化的指数

torch.nn.functional.adaptive_avg_pool1d(input, output_size)

在由几个输入平面组成的输入信号上应用1D自适应平均池化。

有关详细信息和输出形状，请参阅AdaptiveAvgPool1d。

参数：

• output_size – 目标输出大小（单整数或双整数元组）

torch.nn.functional.adaptive_avg_pool2d(input, output_size)

在由几个输入平面组成的输入信号上应用2D自适应平均池化。

有关详细信息和输出形状，请参阅AdaptiveAvgPool2d。

参数：

• output_size – 目标输出大小（单整数或双整数元组）