LPPool3d

class torch.nn.LPPool3d(norm_type, kernel_size, stride=None, ceil_mode=False)

对由多个输入平面组成的输入信号应用3D幂平均池化。

在每个窗口中，计算的函数是：

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

• 当 p = $\infty$ 时，得到最大池化

• 在 p = 1 时，得到的是求和池化（与平均池化成正比）

参数 kernel_size, stride 可以是：

• 一个单独的 int – 在这种情况下，相同的值用于高度、宽度和深度维度

• 一个包含三个整数的元组 – 在这种情况下，第一个整数用于深度维度， 第二个整数用于高度维度，第三个整数用于宽度维度

注意

如果幂次为p的和为零，则此函数的梯度未定义。在这种情况下，此实现将把梯度设置为零。

Parameters

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

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

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

Shape:

• 输入: $(N, C, D_{in}, H_{in}, W_{in})$ 或 $(C, D_{in}, H_{in}, W_{in})$.

• 输出: $(N, C, D_{out}, H_{out}, W_{out})$ 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：

>>> # 大小为3、步幅为2的平方窗口的2次幂池化
>>> m = nn.LPPool3d(2, 3, stride=2)
>>> # 1.2次幂的非方形窗口池化
>>> m = nn.LPPool3d(1.2, (3, 2, 2), stride=(2, 1, 2))
>>> input = torch.randn(20, 16, 50, 44, 31)
>>> output = m(input)