文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.mint.nn.functional.avg_pool1d

mindspore.mint.nn.functional.avg_pool1d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

在输入Tensor上应用1D平均池化，输入Tensor可以看作是由一系列1D平面组成的。

一般地，输入的shape为 $(N_{in},C_{in},L_{in})$ ，输出 $(L_{in})$ 维度的区域平均值。给定 kernel_size 为 $ks=l_{ker}$ 和 stride 为 $s=s_0$ ，运算如下：

$$\text{output}(N_i,C_j,l)=\frac{1}{l_{ker}}\sum _{n=0}^{l_{ker}-1}\text{input}(N_i,C_j,s_0\times l+n)$$

警告

• 这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - 输入shape为 $(N,C_{in},L_{in})$ 的Tensor。

• kernel_size (Union(int, tuple[int])) - 指定池化核尺寸大小。

• stride (Union(int, tuple[int]), 可选) - 池化操作的移动步长。可以是一个整数或者包含一个整数的tuple。默认值： None，表示与 kernel_size 值相同。

• padding (Union(int, tuple[int]), 可选) - 池化填充长度。可以是一个整数或者包含一个整数的tuple。默认值： 0 。

• ceil_mode (bool, 可选) - 如果为 True ，用ceil代替floor来计算输出的shape。默认值： False 。

• count_include_pad (bool, 可选) - 如果为 True ，平均计算将包括零填充。默认值： True 。

返回：

Tensor，shape为 $(N,C_{in},L_{out})$ 。

异常：

• TypeError - input 不是一个Tensor。

• TypeError - kernel_size 或 stride 不是int。

• TypeError - ceil_mode 或 count_include_pad 不是bool。

• ValueError - kernel_size 或 stride 小于1。

• ValueError - kernel_size 或 stride 或 padding 不是int或者tuple的长度大于1。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> input_x = Tensor(np.random.randint(0, 10, [1, 3, 6]), mindspore.float32)
>>> output = mint.nn.functional.avg_pool1d(input_x, kernel_size=6, stride=1)
>>> print(output.shape)
(1, 3, 1)