mindspore.mint.nn.functional.adaptive_avg_pool2d

mindspore.mint.nn.functional.adaptive_avg_pool2d(input, output_size)

对一个多平面输入信号执行二维自适应平均池化。也就是说，对于输入任何尺寸，指定输出的尺寸都为H * W。但是输入和输出特征的数目不会变化。

输入和输出数据格式可以是"NCHW"和"CHW"。N是批处理大小，C是通道数，H是特征高度，W是特征宽度。

对于二维的自适应平均池化操作，有如下公式：

$$\begin{array}{r}\begin{array}{rl}{h}_{start}& =floor(i\ast H_{in}/H_{out})\\ h_{end}& =ceil((i+1)\ast H_{in}/H_{out})\\ w_{start}& =floor(j\ast W_{in}/W_{out})\\ w_{end}& =ceil((j+1)\ast W_{in}/W_{out})\\ Output(i,j)& =\frac{\sum Input[h_{start}:h_{end},w_{start}:w_{end}]}{(h_{end}-h_{start})\ast (w_{end}-w_{start})}\end{array}\end{array}$$

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - adaptive_avg_pool2d的输入，为三维或四维的Tensor，数据类型为float16或者float32。

• output_size (Union[int, tuple]) - 输出特征图的size。 output_size 可以为二元tuple表示 $(H,W)$。或者是单个int表示 $(H,H)$ 。 $H$ 和 $W$ 可以是int或None，如果是None，则意味着输出的size与输入相同。

返回：

Tensor，数据类型与 input 相同。

输出的shape为 input_shape[:len(input_shape) - len(out_shape)] + out_shape 。

$$\begin{array}{r}out\mathrm{\_}shape=\{\begin{array}{ll}input\mathrm{\_}shape[-2]+output\mathrm{\_}size[1],& \text{if }output\mathrm{\_}size\text{ is (None, w);}\\ output\mathrm{\_}size[0]+input\mathrm{\_}shape[-1],& \text{if }output\mathrm{\_}size\text{ is (h, None);}\\ input\mathrm{\_}shape[-2:],& \text{if }output\mathrm{\_}size\text{ is (None, None);}\\ (h,h),& \text{if }output\mathrm{\_}size\text{ is h;}\\ (h,w),& \text{if }output\mathrm{\_}size\text{ is (h, w)}\end{array}\end{array}$$

异常：

• ValueError - 如果 output_size 是tuple，并且 output_size 的长度不是2。

• ValueError - 如果 input 的维度小于或等于 output_size 的维度。

• TypeError - 如果 input 不是Tensor。

• TypeError - 如果 input 的数据类型不是float16、float32或者float64。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> # case 1: output_size=(3, 2)
>>> input = Tensor(np.array([[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]],
...                            [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]],
...                            [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]]), mindspore.float32)
>>> output = mint.nn.functional.adaptive_avg_pool2d(input, (3, 2))
>>> print(output)
[[[1.5 2.5]
 [4.5 5.5]
 [7.5 8.5]]
[[1.5 2.5]
 [4.5 5.5]
 [7.5 8.5]]
[[1.5 2.5]
 [4.5 5.5]
 [7.5 8.5]]]