mindspore.ops.lp_pool1d

mindspore.ops.lp_pool1d(x, norm_type, kernel_size, stride=None, ceil_mode=False)

在输入Tensor上应用1D LP池化运算，可被视为组成一个1D输入平面。

通常，输入的shape为 \((N, C, L_{in})\) 或 \((C, L_{in})\)，输出的shape为 \((N, C, L_{out})\) 或 \((C, L_{out})\)。

\[L_{out} = \left\lfloor\frac{L_{in} - \text{kernel_size}}{\text{stride}} + 1\right\rfloor\]

公式如下：

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

说明

该接口暂不支持Atlas A2 训练系列产品。

参数：

• x (Tensor) - shape为 \((N, C, L_{in})\) 或 \((C, L_{in})\) 的Tensor。

• norm_type (Union[int, float]) - 标准化类型，代表公式里的p，不能为0，

  • 如果 p = 1，得到的结果为池化核内元素之和（与平均池化成比例）。

  • 如果 p = \(\infty\)，得到的结果为最大池化的结果。

• kernel_size (int) - 池化核的尺寸大小。

• stride (int) - 池化操作的移动步长，数据类型为整型。默认值： None ，表示移动步长为 kernel_size 。

• ceil_mode (bool) - 若为 True ，使用ceil来计算输出shape。若为 False ，使用floor来计算输出shape。默认值： False 。

返回：

• output - LPPool1d的计算结果，shape为 \((N, C, L_{out})\) 或 \((C, L_{out})\) 的Tensor，与输入 x 的类型一致，其中：

\[L_{out} = \left\lfloor\frac{L_{in} - \text{kernel_size}}{\text{stride}} + 1\right\rfloor\]

异常：

• TypeError - x 不是Tensor。

• TypeError - kernel_size 或 stride 不是int。

• TypeError - ceil_mode 不是bool。

• TypeError - norm_type 不是float也不是int。

• ValueError - norm_type 等于0。

• ValueError - kernel_size 或 stride 小于1。

• ValueError - x 的shape长度不等于2或3。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> from mindspore import ops
>>> from mindspore import Tensor
>>> import numpy as np
>>> x = Tensor(np.arange(2 * 3 * 4).reshape((2, 3, 4)), dtype=ms.float32)
>>> out = ops.lp_pool1d(x, norm_type=1, kernel_size=3, stride=1, ceil_mode=False)
>>> print(out)
[[[ 3.  6.]
  [15. 18.]
  [27. 30.]]
 [[39. 42.]
  [51. 54.]
  [63. 66.]]]