AvgPool1d

class torch.nn.AvgPool1d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

对由多个输入平面组成的输入信号应用一维平均池化。

在最简单的情况下，输入大小为 $(N, C, L)$ 的层的输出值，输出 $(N, C, L_{out})$ 和 kernel_size $k$ 可以精确描述为：

$$\text{out}(N_i, C_j, l) = \frac{1}{k} \sum_{m=0}^{k-1} \text{input}(N_i, C_j, \text{stride} \times l + m)$$

如果 padding 不为零，则输入会在两侧隐式地进行零填充，填充的点数为 padding 的数量。

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。

参数 kernel_size, stride, padding 可以是 int 或单元素元组。

Parameters

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

• 步幅 (联合[整数, 元组[整数]]) – 窗口的步幅。默认值是 kernel_size

• 填充 (联合[整数, 元组[整数]]) – 在两侧添加的隐式零填充

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

• count_include_pad (bool) – 当为True时，将在平均计算中包括零填充

Shape:

• 输入: $(N, C, L_{in})$ 或 $(C, L_{in})$。

• 输出: $(N, C, L_{out})$ 或 $(C, L_{out})$, 其中

  $$L_{out} = \left\lfloor \frac{L_{in} + 2 \times \text{padding} - \text{kernel\_size}}{\text{stride}} + 1\right\rfloor$$

  根据上面的注释，如果 ceil_mode 为 True 且 $(L_{out} - 1) \times \text{stride} \geq L_{in} + \text{padding}$，我们将跳过最后一个窗口，因为它将在右侧填充区域开始，导致 $L_{out}$ 减少一。

示例：

>>> # 使用窗口大小为3，步幅为2的池化
>>> m = nn.AvgPool1d(3, stride=2)
>>> m(torch.tensor([[[1., 2, 3, 4, 5, 6, 7]]]))
tensor([[[2., 4., 6.]]])