mindspore.nn.LPPool1d

class mindspore.nn.LPPool1d(norm_type, kernel_size, stride=None, ceil_mode=False)[源代码]

在一个输入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 \((N_{in}, C_{in}, L_{in})\)\((C_{in}, L_{in})\),输出的shape为 \((N_{out}, C_{out}, L_{out})\)\((C_{out}, L_{out})\),输出与输入的shape一致,公式如下:

\[f(X) = \sqrt[p]{\sum_{x \in X} x^{p}}\]
参数:
  • 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。如果值为 None ,则使用默认值 kernel_size。默认值: None

  • 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

输入:
  • x (Tensor) - shape为 \((N_{in}, C_{in}, L_{in})\)\((C_{in}, L_{in})\) 的Tensor。

输出:
  • output - LPPool1d的计算结果,shape为 \((N_{out}, C_{out}, L_{out})\)\((C_{out}, L_{out})\) 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_sizestride 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_sizestride 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
>>> import numpy as np
>>> a = ms.Tensor(np.arange(2 * 3 * 4).reshape((2, 3, 4)), dtype=ms.float32)
>>> net = ms.nn.LPPool1d(norm_type=1, kernel_size=3, stride=1)
>>> out = net(a)
>>> print(out)
[[[ 3.  6.]
  [15. 18.]
  [27. 30.]]
 [[39. 42.]
  [51. 54.]
  [63. 66.]]]