mindspore.mint.nn.functional.adaptive_avg_pool2d
- mindspore.mint.nn.functional.adaptive_avg_pool2d(input, output_size)[源代码]
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:
\[\begin{split}\begin{align} h_{start} &= floor(i * H_{in} / H_{out})\\ h_{end} &= ceil((i + 1) * H_{in} / H_{out})\\ w_{start} &= floor(j * W_{in} / W_{out})\\ w_{end} &= ceil((j + 1) * W_{in} / W_{out})\\ Output(i,j) &= \frac{\sum Input[h_{start}:h_{end}, w_{start}:w_{end}]}{(h_{end}- h_{start}) * (w_{end}- w_{start})} \end{align}\end{split}\]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 。
\[\begin{split}out\_shape = \begin{cases} input\_shape[-2] + output\_size[1], & \text{if } output\_size text{ is (None, w);}\\ output\_size[0] + input\_shape[-1], & \text{if } output\_size text{ is (h, None);}\\ input\_shape[-2:], & \text{if } output\_size text{ is (None, None);}\\ (h, h), & \text{if } output\_size text{ is h;}\\ (h, w), & \text{if } output\_size text{ is (h, w)} \end{cases}\end{split}\]- 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]]]