input = torch.randn(20, 2, 11, 11, 32)
m = torch.nn.AdaptiveAvgPool3d((1,1, 32))
x=m(input)
print(x.shape)结果：
也就是不用管批次和通道数
input = torch.randn(20, 2, 11, 11, 32)输出形式
黯止依蓝2023-12-15 19:05
相关推荐
X56612 小时前
如何在 Laravel 中正确保存嵌套动态表单数据（主服务与子服务）ZhengEnCi3 小时前
03ab-PyTorch安装教程 📚狐狐生风3 小时前
LangChain 向量存储：Chroma、FAISS狐狐生风4 小时前
LangChain RAG 基础哥布林学者4 小时前
深度学习进阶（十五）通道注意力 SE墨北小七4 小时前
使用InspireFace进行智慧楼宇门禁人脸识别的训练微调HackTorjan4 小时前
深度神经网络的反向传播与梯度优化原理老前端的功夫4 小时前
【Java从入门到入土】28：Stream API：告别for循环的新时代yaoxin5211235 小时前
397. Java 文件操作基础 - 创建常规文件与临时文件数智工坊5 小时前
【Mask2Former论文阅读】：基于掩码注意力的通用分割Transformer，大一统全景/实例/语义分割