请教：如何对一维Tensor进行2倍下采样？

假设你的一维Tensor结构为(batch_size, channels, length)（对应配图中的形状），以下是几种实用的实现方式：

1. 直接索引采样（极简无参数） #

直接每隔一个元素采样，适合不需要平滑处理的场景：

import torch

# 示例输入：形状(1, 3, 16)的tensor
input_tensor = torch.randn(1, 3, 16)
# 2倍下采样：取所有batch、通道，步长为2的元素
downsampled = input_tensor[:, :, ::2]
print(downsampled.shape)  # 输出: torch.Size([1, 3, 8])

2. 平均池化（平滑降噪） #

通过AvgPool1d对每个2元素窗口取平均，能有效降低噪声，适合需要平滑输出的场景：

import torch
import torch.nn as nn

input_tensor = torch.randn(1, 3, 16)
avg_pool = nn.AvgPool1d(kernel_size=2, stride=2)
downsampled = avg_pool(input_tensor)
print(downsampled.shape)  # 输出: torch.Size([1, 3, 8])

3. 最大池化（保留峰值特征） #

用MaxPool1d提取每个窗口的最大值，适合需要保留关键峰值特征的任务：

import torch
import torch.nn as nn

input_tensor = torch.randn(1, 3, 16)
max_pool = nn.MaxPool1d(kernel_size=2, stride=2)
downsampled = max_pool(input_tensor)
print(downsampled.shape)  # 输出: torch.Size([1, 3, 8])

4. 卷积下采样（可学习特征） #

使用步长为2的1D卷积，既能完成下采样，还能在深度学习任务中学习特征映射：

import torch
import torch.nn as nn

input_tensor = torch.randn(1, 3, 16)
# 卷积核大小3，步长2，padding=1保证输出长度为原长度的1/2
conv_downsample = nn.Conv1d(in_channels=3, out_channels=3, kernel_size=3, stride=2, padding=1)
downsampled = conv_downsample(input_tensor)
print(downsampled.shape)  # 输出: torch.Size([1, 3, 8])

内容的提问来源于stack exchange，提问作者jordi