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 \((N_{in}, C_{in}, L_{in})\) 或 \((C_{in}, L_{in})\)，输出的shape为 \((N_{out}, C_{out}, L_{out})\) 或 \((C_{out}, L_{out})\)，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 \((N_{in}, C_{in}, L_{in})\) 或 \((C_{in}, L_{in})\) 的Tensor。

输出：

  • output - LPPool1d的计算结果，shape为 \((N_{out}, C_{out}, L_{out})\) 或 \((C_{out}, L_{out})\) 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_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
>>> 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.]]]