nn.AdaptiveAvgPool1d()
nn.AdaptiveAvgPool1d(5)
自适应的平均池化,应该是在最低维上转为5个数,即
9---->5
(1, 9, 8)---->(1, 5, 8)
import torch
from torch import nn
from torch import autograd
m = nn.AdaptiveAvgPool1d(5)# target output size of 5
input = autograd.Variable(torch.randn(1, 9, 8))
print(input)
tensor([[[ 3.0320e-01, 3.6879e-01, -1.0896e+00, -1.3251e+00, 2.1113e-01,-1.3839e+00, -1.2036e+00, -1.5154e+00],[ 4.2374e-01, -1.2755e+00, 2.0100e-01, 1.0388e+00, 1.0022e+00,-7.3641e-01, -1.3196e+00, 2.3717e-01],[ 2.9847e-01, -7.8317e-01, -1.1153e+00, 1.2325e+00, -6.0868e-01,-6.0629e-01, -1.0107e+00, -1.8141e-01],[ 9.8106e-01, 1.8035e+00, 1.5790e-01, -7.5658e-01, -1.5404e+00,-4.7695e-01, 3.9196e-01, 7.1803e-01],[-1.4173e+00, 6.5709e-01, 5.9748e-01, -2.3872e+00, -1.3445e+00,-5.9272e-01, -2.0092e-01, -2.0429e+00],[-3.7274e-01, -6.3365e-01, -3.1410e-01, -5.2788e-01, 2.9406e-01,4.7489e-01, -3.2312e-01, 2.5546e+00],[-4.9002e-01, -5.4810e-01, 1.4601e+00, 3.2844e-01, -3.7427e-01,-4.9377e-01, 2.8525e-01, -2.7228e+00],[-2.3692e-03, 2.1962e+00, 9.3386e-02, 4.1071e-01, -8.9220e-01,-2.4525e-01, -6.0414e-01, 4.3239e-01],[-9.7711e-01, -4.6109e-01, -3.6924e-01, 8.7918e-02, -1.1675e+00,-6.8003e-01, -6.2466e-01, -6.5148e-01]]])
output = m(input)
print(output)
tensor([[[ 0.3360, -0.6820, -0.5570, -0.7921, -1.3595],[-0.4259, -0.0119, 1.0205, -0.3513, -0.5412],[-0.2423, -0.2220, 0.3119, -0.7419, -0.5961],[ 1.3923, 0.4016, -1.1485, -0.5418, 0.5550],[-0.3801, -0.3776, -1.8658, -0.7127, -1.1219],[-0.5032, -0.4919, -0.1169, 0.1486, 1.1157],[-0.5191, 0.4135, -0.0229, -0.1943, -1.2188],[ 1.0969, 0.9001, -0.2407, -0.5805, -0.0859],[-0.7191, -0.2475, -0.5398, -0.8241, -0.6381]]])
m = nn.AdaptiveAvgPool1d(1)# target output size of 1
input = autograd.Variable(torch.randn(1, 9, 8))
print(input)
tensor([[[-0.4052, -0.2062, -0.3630, 0.5443, -1.1570, 0.9105, -1.7502,-2.0864],[ 0.1581, -1.6536, -0.9496, -0.5045, 0.4973, -1.6026, 1.8087,-1.5534],[-0.5572, 2.0890, -1.3753, -0.5857, 0.9093, -0.3246, 0.5703,0.7315],[ 0.5320, 0.2400, -1.8946, 1.2201, -0.8956, 0.3155, -0.4960,0.2246],[-0.7937, 0.1326, 1.5602, -0.1684, 1.3426, 0.3997, -0.7715,-0.1143],[-1.2648, -0.9803, 1.2850, -0.5430, 1.0204, -0.6017, -0.3234,0.8067],[ 1.4721, 0.4670, 0.3708, 1.1734, -0.1523, 2.5045, -0.8696,0.8504],[-0.0640, -1.6002, 0.8113, -0.5312, -0.4878, 1.7936, -0.1291,0.2794],[-0.1011, -0.9912, -0.5175, -0.3998, 0.7953, -0.9220, -0.8127,-1.2444]]])
output = m(input)
print(output)
[-0.4052, -0.2062, -0.3630, 0.5443, -1.1570, 0.9105, -1.7502, -2.0864]相加除以9等于-0.48不等于-0.5642
说明不是这样算的,不知道nn.AdaptiveAvgPool1d()运算过程是如何计算的
tensor([[[-0.5642],[-0.4749],[ 0.1821],[-0.0942],[ 0.1984],[-0.0751],[ 0.7270],[ 0.0090],[-0.5242]]])
nn.AdaptiveAvgPool1d()相关推荐
- AdaptiveAvgPool1D内部实现
公式: # average adaptive pool1d # suppose input data in shape of [N, C, L], `output_size` is m or [m], ...
- torch.nn、(一)
参考 torch.nn.(一) - 云+社区 - 腾讯云 目录 torch.nn Parameters Containers Module Sequential ModuleList ModuleDi ...
- torch.nn模块之池化层详解
torch中的池化层 1. torch.nn模块中的池化层简介 2. 池化的调用方式 3. 图像池化演示 3.1 最大值池化 3.2 平均值池化 3.3 自适应平均值池化 参考资料 1. torch. ...
- PyTorch中AdaptiveAvgPool函数总结
1维情况: import torch import torch.nn as nn# out_size m = nn.AdaptiveAvgPool1d(5) input = torch.randn(1 ...
- swin_transformer用于做图像分类(已跑通)
B站大佬:霹雳吧啦Wz视频:12.2 使用Pytorch搭建Swin-Transformer网络 讲解链接:https://www.bilibili.com/video/BV1yg411K7Yc?sp ...
- 【Transformer】CrossFormer:A versatile vision transformer based on cross-scale attention
文章目录 一.背景 二.动机 三.方法 3.1 Cross-scale Embedding Layer(CEL) 3.2 Cross-former Block 3.2.1 Long Short Dis ...
- 池化层(pooling layer) 感受野(Receptive Field) 神经网络的基本组成
目录 (1)本文涉及的函数 (2)池化层 (3)感受野 (4)代码示例(含注释) 承接上两篇博客:卷积层(空洞卷积对比普通卷积).激活函数层 (1)本文涉及的函数 import torch impor ...
- OUC暑期培训(深度学习)——第六周学习记录:Vision Transformer amp; Swin Transformer
第六周学习:Vision Transformer & Swin Transformer Part 1 视频学习及论文阅读 1.Vision Transformer 原文链接:https://a ...
- 【天池竞赛】心跳数据挖掘
天池学习赛 心跳数据挖掘 168分攻略 Chapter 1. 赛题解析 就如比赛界面所介绍的一般,这里再复述一遍 ''' 本次新人赛是Datawhale与天池联合发起的0基础入门系列赛事 -- 心跳信 ...
最新文章
- 机器学习 KNN算法实践
- 成功解决Ignoring invalid distribution -yqt5
- [转载]HTTP协议详解
- BZOJ-1003-物流运输trans-ZJOI2006-SPFA+DP
- 机器学习-机器学习概论(入门机器学习基础知识)
- php服务器怎么设置cookie,php服务器如何清除浏览器cookie
- 利用深度学习从单个损伤和斑点中识别植物病害
- Linux三剑客--grep
- java源程序编译的结果_java源程序编译后
- Jogging Trails 邮递员问题
- NC - 网络编码的Java实现(1)-GF28基本运算
- 打开网站服务器显示403,打开网站显示403是什么意思
- java 读取tsv_uniVocity-parsers:一款强大的CSV/TSV/定宽文本文件解析库(Java)
- 河北软件职业技术学院计算机应用工程系,河北软件职业技术学院第四届模特大赛举办成功...
- 零基础如何快速入门微信小游戏开发?
- 血条加载!百度地图上线复苏指数;Quora推出问答机器人;腾讯绝悟成功用于医疗诊断;使用chatGPT生成推文;GitHub AI项目精选 | ShowMeAI资讯日报
- 2018-2019-2 20165205 网络对抗技术 Exp7 网络欺诈防范
- hiper – web_Web设计行业分析–专业人士与业余者[信息图]
- 5G终于来了,物联网将是未来五年要重点关注的行业
- 腾讯汤道生:微信乘车码已全量上线昆明地铁
热门文章
- jenkins-cli命令使用总结
- String All Methods
- java消息推送与接收
- IFRAME jquery 获取document对象
- 矩形嵌套 南阳理工ACM
- 好文转贴(3) —— 每个应用程序都有一个恐怖地下室 & 两个最容易被人忽略的基本代码优化技术...
- 实现 设置text控件的标题根据维度成员选择不同而变化
- Qt ObjectModel (from Qt doc)
- access如何查询两张表的内容_为什么可以的话,不要使用星号 *,而是相应的字段名来进行查询 MySQL内连接如何选择驱动表
- 计算机网络与影视多媒体技术 南京理工大学,计算机网络多媒体数学库和课件结构设计-计算机仿真论文-计算机论文(8页)-原创力文档...