mindspore.mint.nn.functional.adaptive_avg_pool3d

mindspore.mint.nn.functional.adaptive_avg_pool3d(input, output_size)

对一个多平面输入信号执行三维自适应平均池化。对于任何输入尺寸，指定输出的尺寸都为 $(D,H,W)$，但是输入和输出特征的数目不会变化。

假设输入 input 最后三维大小分别为 $(inD,inH,inW)$，则输出的最后三维大小分别为 $(outD,outH,outW)$，运算如下：

$$\begin{array}{r}\begin{array}{l}\\ \mathrm{\forall }od\in [0,outD-1],oh\in [0,outH-1],ow\in [0,outW-1]\\ output[od,oh,ow]=\\ mean(x[istartD:iendD+1,istartH:iendH+1,istartW:iendW+1])\\ where,\\ istartD=\lceil \frac{od\ast inD}{outD}\rceil \\ iendD=\lfloor \frac{(od+1)\ast inD}{outD}\rfloor \\ istartH=\lceil \frac{oh\ast inH}{outH}\rceil \\ iendH=\lfloor \frac{(oh+1)\ast inH}{outH}\rfloor \\ istartW=\lceil \frac{ow\ast inW}{outW}\rceil \\ iendW=\lfloor \frac{(ow+1)\ast inW}{outW}\rfloor \end{array}\end{array}$$

警告

对于Ascend，仅支持 Atlas A2 训练系列产品。 这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - adaptive_avg_pool3d的输入，是4D或者5D的Tensor。

• output_size (Union[int, tuple]) - 指定输出特征图的尺寸，可以是个tuple $(D,H,W)$，也可以是一个int值D来表示输出尺寸为 $(D,D,D)$ 。$D$，$H$ 和 $W$ 可以是int值或者None，其中None表示输出大小与对应的输入的大小相同。

返回：

Tensor，与输入 input 的数据类型相同。

异常：

• TypeError - input 不是Tensor。

• ValueError - input 维度不是4D或者5D。

• ValueError - output_size 的值不是正数。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> # case 1: output_size=(3, 3, 4)
>>> output_size=(3, 3, 4)
>>> input_val = np.random.randn(4, 3, 5, 6, 7)
>>> input = Tensor(input_val, mindspore.float32)
>>> output = mint.nn.functional.adaptive_avg_pool3d(input, output_size)
>>> print(output.shape)
(4, 3, 3, 3, 4)
>>> # case 2: output_size=4
>>> output_size=5
>>> input_val = np.random.randn(2, 3, 8, 6, 12)
>>> input = Tensor(input_val, mindspore.float32)
>>> output = mint.nn.functional.adaptive_avg_pool3d(input, output_size)
>>> print(output.shape)
(2, 3, 5, 5, 5)
>>> # case 3: output_size=(None, 4, 5)
>>> output_size=(None, 4, 5)
>>> input_val = np.random.randn(4, 1, 9, 10, 8)
>>> input = Tensor(input_val, mindspore.float32)
>>> output = mint.nn.functional.adaptive_avg_pool3d(input, output_size)
>>> print(output.shape)
(4, 1, 9, 4, 5)