MaxPool1d() در PyTorch

Summarize this content to 400 words in Persian Lang برای من یک قهوه بخر☕

*یادداشت ها:

پست من Pooling Layer را توضیح می دهد.

پست من نیاز_grad را توضیح می دهد.

MaxPool1d() می تواند تانسور دوبعدی یا سه بعدی یک یا چند مقدار محاسبه شده با ادغام حداکثری 1 بعدی را از تانسور دو بعدی یا سه بعدی یک یا چند عنصر مانند زیر دریافت کند:

*یادداشت ها:

آرگومان اول برای مقداردهی اولیه است kernel_size(الزامی-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
آرگومان دوم برای مقداردهی اولیه است stride(اختیاری-پیش فرض:kernel_size-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
آرگومان سوم برای مقداردهی اولیه است padding(اختیاری-پیش فرض:0-نوع:int یا tuple یا list از int). *باید باشد 0 <= x.
آرگومان چهارم برای مقداردهی اولیه است dilation(اختیاری-پیش فرض:1-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
آرگومان پنجم برای مقداردهی اولیه است return_indices(اختیاری-پیش فرض:False-نوع:bool).
آرگومان ششم برای مقداردهی اولیه است ceil_mode(اختیاری-پیش فرض:False-نوع:bool).
استدلال اول این است input(الزامی-نوع:tensor از float).
تانسور requires_grad که هست False به طور پیش فرض روی تنظیم نشده است True توسط MaxPool1d().

import torch
from torch import nn

tensor1 = torch.tensor([[8., -3., 0., 1., 5., -2.]])

tensor1.requires_grad
# False

maxpool1d = nn.MaxPool1d(kernel_size=1)
tensor2 = maxpool1d(input=tensor1)
tensor2
# tensor([[8., -3., 0., 1., 5., -2.]])

tensor2.requires_grad
# False

maxpool1d
# MaxPool1d(kernel_size=1, stride=1, padding=0, dilation=1, ceil_mode=False)

maxpool1d.kernel_size
# 1

maxpool1d.stride
# 1

maxpool1d.padding
# 0

maxpool1d.dilation
# 1

maxpool1d.return_indices
# False

maxpool1d.ceil_mode
# False

maxpool1d = nn.MaxPool1d(kernel_size=1, stride=None, padding=0,
dilation=1, return_indices=False, ceil_mode=False)
maxpool1d(input=tensor1)
# tensor([[8., -3., 0., 1., 5., -2.]])

maxpool1d = nn.MaxPool1d(kernel_size=2, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8., 1., 5.]]), tensor([[0, 3, 4]]))

maxpool1d = nn.MaxPool1d(kernel_size=3, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8., 5.]]), tensor([[0, 4]]))

maxpool1d = nn.MaxPool1d(kernel_size=4, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8.]]), tensor([[0]]))

maxpool1d = nn.MaxPool1d(kernel_size=5, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8.]]), tensor([[0]]))

maxpool1d = nn.MaxPool1d(kernel_size=6, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8.]]), tensor([[0]]))

my_tensor = torch.tensor([[8., -3., 0.],
[1., 5., -2.]])
maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8., -3., 0.],
# [1., 5., -2.]]),
# tensor([[0, 1, 2],
# [0, 1, 2]]))

maxpool1d = nn.MaxPool1d(kernel_size=2, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.],
# [5.]]),
# tensor([[0],
# [1]]))

maxpool1d = nn.MaxPool1d(kernel_size=3, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.],
# [5.]]),
# tensor([[0],
# [1]]))

my_tensor = torch.tensor([[8.], [-3.], [0.], [1.], [5.], [-2.]])

maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.], [-3.], [0.], [1.], [5.], [-2.]]),
# tensor([[0], [0], [0], [0], [0], [0]]))

maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.], [-3.], [0.], [1.], [5.], [-2.]]),
# tensor([[0], [0], [0], [0], [0], [0]]))

my_tensor = torch.tensor([[[8.], [-3.], [0.]],
[[1.], [5.], [-2.]]])
maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[[8.], [-3.], [0.]],
# [[1.], [5.], [-2.]]]),
# tensor([[[0], [0], [0]],
# [[0], [0], [0]]]))

برای من یک قهوه بخر☕

*یادداشت ها:

• پست من Pooling Layer را توضیح می دهد.

• پست من نیاز_grad را توضیح می دهد.

MaxPool1d() می تواند تانسور دوبعدی یا سه بعدی یک یا چند مقدار محاسبه شده با ادغام حداکثری 1 بعدی را از تانسور دو بعدی یا سه بعدی یک یا چند عنصر مانند زیر دریافت کند:

*یادداشت ها:

• آرگومان اول برای مقداردهی اولیه است kernel_size(الزامی-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
• آرگومان دوم برای مقداردهی اولیه است stride(اختیاری-پیش فرض:kernel_size-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
• آرگومان سوم برای مقداردهی اولیه است padding(اختیاری-پیش فرض:0-نوع:int یا tuple یا list از int). *باید باشد 0 <= x.
• آرگومان چهارم برای مقداردهی اولیه است dilation(اختیاری-پیش فرض:1-نوع:int یا tuple یا list از int). *باید باشد 1 <= x.
• آرگومان پنجم برای مقداردهی اولیه است return_indices(اختیاری-پیش فرض:False-نوع:bool).
• آرگومان ششم برای مقداردهی اولیه است ceil_mode(اختیاری-پیش فرض:False-نوع:bool).
• استدلال اول این است input(الزامی-نوع:tensor از float).
• تانسور requires_grad که هست False به طور پیش فرض روی تنظیم نشده است True توسط MaxPool1d().

import torch
from torch import nn

tensor1 = torch.tensor([[8., -3., 0., 1., 5., -2.]])

tensor1.requires_grad
# False

maxpool1d = nn.MaxPool1d(kernel_size=1)
tensor2 = maxpool1d(input=tensor1)
tensor2
# tensor([[8., -3., 0., 1., 5., -2.]])

tensor2.requires_grad
# False

maxpool1d
# MaxPool1d(kernel_size=1, stride=1, padding=0, dilation=1, ceil_mode=False)

maxpool1d.kernel_size
# 1

maxpool1d.stride
# 1

maxpool1d.padding
# 0

maxpool1d.dilation
# 1

maxpool1d.return_indices
# False

maxpool1d.ceil_mode
# False

maxpool1d = nn.MaxPool1d(kernel_size=1, stride=None, padding=0, 
                         dilation=1, return_indices=False, ceil_mode=False)
maxpool1d(input=tensor1)
# tensor([[8., -3., 0., 1., 5., -2.]])

maxpool1d = nn.MaxPool1d(kernel_size=2, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8., 1., 5.]]), tensor([[0, 3, 4]]))

maxpool1d = nn.MaxPool1d(kernel_size=3, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8., 5.]]), tensor([[0, 4]]))

maxpool1d = nn.MaxPool1d(kernel_size=4, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8.]]), tensor([[0]]))

maxpool1d = nn.MaxPool1d(kernel_size=5, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8.]]), tensor([[0]]))

maxpool1d = nn.MaxPool1d(kernel_size=6, return_indices=True)
maxpool1d(input=tensor1)
# (tensor([[8.]]), tensor([[0]]))

my_tensor = torch.tensor([[8., -3., 0.],
                          [1., 5., -2.]])
maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8., -3., 0.],
#          [1., 5., -2.]]),
#  tensor([[0, 1, 2],
#          [0, 1, 2]]))

maxpool1d = nn.MaxPool1d(kernel_size=2, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.],
#          [5.]]),
#  tensor([[0],
#          [1]]))

maxpool1d = nn.MaxPool1d(kernel_size=3, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.],
#          [5.]]),
#  tensor([[0],
#          [1]]))

my_tensor = torch.tensor([[8.], [-3.], [0.], [1.], [5.], [-2.]])

maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.], [-3.], [0.], [1.], [5.], [-2.]]),
#  tensor([[0], [0], [0], [0], [0], [0]]))

maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[8.], [-3.], [0.], [1.], [5.], [-2.]]),
#  tensor([[0], [0], [0], [0], [0], [0]]))

my_tensor = torch.tensor([[[8.], [-3.], [0.]],
                          [[1.], [5.], [-2.]]])
maxpool1d = nn.MaxPool1d(kernel_size=1, return_indices=True)
maxpool1d(input=my_tensor)
# (tensor([[[8.], [-3.], [0.]],
#          [[1.], [5.], [-2.]]]),
#  tensor([[[0], [0], [0]],
#          [[0], [0], [0]]]))