Класс MaxPool1d

Класс MaxPool1d применяет операцию максимального пулинга к одномерным данным. Он скользит окном заданного размера по входному тензору и выбирает максимальное значение в каждом окне, тем самым уменьшая размерность последовательности и выделяя наиболее важные признаки.

Основные параметры: kernel_size - размер окна пулинга, stride - шаг скольжения окна, padding - количество нулевых элементов, добавляемых по краям, dilation - расстояние между элементами в окне, и ceil_mode - определяет способ вычисления размера выходного тензора при нецелых значениях.

Синтаксис

torch.nn.MaxPool1d(
	kernel_size,
	stride=None,
	padding=0,
	dilation=1,
	return_indices=False,
	ceil_mode=False
)

Пример

Создадим слой MaxPool1d с окном размера 2 и шагом 2, и применим его к одномерному тензору:

import torch
import torch.nn as nn

pool = nn.MaxPool1d(kernel_size=2, stride=2)

t = torch.tensor([1, 3, 2, 4, 5, 7])
res = pool(t.unsqueeze(0).unsqueeze(0))

print(res)

Результат выполнения кода:

tensor([[[3, 4, 7]]])

Слой выбрал максимальные значения из пар (1,3), (2,4) и (5,7).

Пример

Теперь применим MaxPool1d к тензору с batch-размером и несколькими каналами. Входной тензор имеет форму (batch, channels, length):

import torch
import torch.nn as nn

pool = nn.MaxPool1d(kernel_size=3, stride=1, padding=1)

t = torch.tensor([
	[
		[1, 2, 3, 4, 5],
		[6, 7, 8, 9, 10]
	],
	[
		[10, 20, 30, 40, 50],
		[60, 70, 80, 90, 100]
	]
])

res = pool(t)
print(res)

Результат выполнения кода:

tensor([
	[
		[2, 3, 4, 5, 5],
		[7, 8, 9, 10, 10]
	],
	[
		[20, 30, 40, 50, 50],
		[70, 80, 90, 100, 100]
	]
])

За счет padding=1 длина выходного тензора совпадает с длиной входного.

Пример

Используем MaxPool1d с параметром return_indices=True, чтобы получить индексы максимальных элементов. Это может пригодиться для обратного распространения:

import torch
import torch.nn as nn

pool = nn.MaxPool1d(kernel_size=2, stride=2, return_indices=True)

t = torch.tensor([5, 1, 3, 8, 2, 7])
res, indices = pool(t.unsqueeze(0).unsqueeze(0))

print(res)
print(indices)

Результат выполнения кода:

tensor([[[5, 8, 7]]])
tensor([[[0, 3, 5]]])

Тензор indices содержит позиции максимальных элементов в каждом окне.

Смотрите также

класс MaxPool2d,
который выполняет макспулинг для двумерных данных (изображений)
класс AvgPool1d,
который выполняет усредняющий пулинг для одномерных данных
класс AdaptiveMaxPool1d,
который выполняет адаптивный макспулинг для одномерных данных с заданным выходным размером
класс Conv1d,
который выполняет одномерную свертку, часто используемую вместе с пулингом