Класс AvgPool1d

Класс AvgPool1d применяет усредняющий пулинг к входным данным размерности (N, C, L), где N - размер батча, C - количество каналов, L - длина последовательности. Операция заключается в скольжении окна заданного размера по временной оси и вычислении среднего арифметического значений внутри окна. Класс позволяет управлять размером окна, шагом и типом заполнения.

Основные параметры конструктора: kernel_size (размер окна пулинга), stride (шаг окна, по умолчанию равен kernel_size), padding (заполнение нулями) и ceil_mode (режим округления размеров).

Синтаксис

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

Пример

Создадим слой пулинга с окном размера 3 и применим его к одномерному тензору:

import torch

layer = torch.nn.AvgPool1d(kernel_size=3)
t = torch.tensor([[[1, 2, 3, 4, 5, 6]]], dtype=torch.float)
res = layer(t)
print(res)

Результат выполнения кода:

tensor([[[2., 5.]]])

Выходной тензор имеет форму (1, 1, 2)⁅/⁆c: было два непересекающихся окна: [1,2,3] → 2.0 и [4,5,6] → 5.0.



Пример 

	Применим пулинг с окном размера 2 и шагом 2 к тензору из 4 элементов:


	import torch

layer = torch.nn.AvgPool1d(kernel_size=2, stride=2)
t = torch.tensor([[[10, 20, 30, 40]]], dtype=torch.float)
res = layer(t)
print(res)


	Результат выполнения кода:


	tensor([[[15., 35.]]])


	Окна [10,20] → 15.0 и [30,40] → 35.0.


Пример 

	Используем заполнение для сохранения размера выходной последовательности:


	import torch

layer = torch.nn.AvgPool1d(kernel_size=3, padding=1, stride=1)
t = torch.tensor([[[1, 2, 3, 4, 5]]], dtype=torch.float)
res = layer(t)
print(res)


	Результат выполнения кода:


	tensor([[[0.6667, 2.0000, 3.0000, 4.0000, 3.0000]]])


	Заполнение нулями добавило по одному нулю с каждой стороны, что позволило сохранить длину последовательности.


Пример 

	Применим пулинг к батчу из двух образцов с несколькими каналами:


	import torch

torch.manual_seed(0)
layer = torch.nn.AvgPool1d(kernel_size=2, stride=2)
t = torch.randn(2, 3, 6)
res = layer(t)
print(res.shape)


	Результат выполнения кода:


	torch.Size([2, 3, 3])


	Размерность временной оси уменьшилась с 6 до 3 (6 / 2 = 3), количество батчей и каналов сохранилось.


Смотрите также

	
		
			класс MaxPool1d, 

			который выполняет максимальный пулинг для одномерных данных
		
		
			класс AdaptiveAvgPool1d, 

			который выполняет адаптивный усредняющий пулинг
		
		
			класс Conv1d, 

			который выполняет одномерную свертку
		
		
			класс Dropout, 

			который применяет регуляризацию для предотвращения переобучения