mindspore.mint.nn.functional.avg_pool2d
- mindspore.mint.nn.functional.avg_pool2d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)[源代码]
在输入Tensor上应用2D平均池化,输入Tensor可以看作是由一系列2D平面组成的。
一般地,输入的shape为 \((N, C, H_{in}, W_{in})\) ,输出 \((H_{in}, W_{in})\) 维度的区域平均值。给定 kernel_size 为 \((kH, kW)\) 和 stride ,运算如下:
说明
在Atlas平台上,计算输入时,精度会从float32降到float16。
\[\text{output}(N_i, C_j, h, w) = \frac{1}{kH * kW} \sum_{m=0}^{kH-1} \sum_{n=0}^{kW-1} \text{input}(N_i, C_j, stride[0] \times h + m, stride[1] \times w + n)\]- 参数:
input (Tensor) - shape为 \((N, C, H_{in}, W_{in})\) 或 \((C, H_{in}, W_{in})\) 的Tensor。
kernel_size (Union[int, tuple[int], list[int]]) - 指定池化核尺寸大小,可以是单个整数或一个元组 \((kH, kW)\) 。
stride (Union[int, tuple[int], list[int]], 可选) - 池化操作的移动步长,可以是单个整数或一个元组 \((sH, sW)\) 。默认值:
None
,此时其值等于 kernel_size 。padding (Union[int, tuple[int], list[int]], 可选) - 池化填充长度,可以是单个整数或一个元组 \((padH, padW)\)。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
。divisor_override (int, 可选) - 如果指定了该值,它将在平均计算中用作除数,否则,将使用池化区域的大小。默认值:
None
。
- 返回:
Tensor,其shape为 \((N, C, H_{out}, W_{out})\) 或 \((C, H_{out}, W_{out})\) 。
\[\begin{split}\begin{array}{ll} \\ H_{out} = \frac{H_{in} + 2 \times padding[0] - kernel\_size[0]}{stride[0]} + 1 \\ W_{out} = \frac{W_{in} + 2 \times padding[1] - kernel\_size[1]}{stride[1]} + 1 \end{array}\end{split}\]- 异常:
TypeError - input 不是一个Tensor。
TypeError - kernel_size 或 stride 既不是int也不是tuple。
TypeError - ceil_mode 或 count_include_pad 不是bool。
TypeError - divisor_override 不是int或None。
ValueError - input 的维度不等于3或4。
ValueError - kernel_size 或 stride 小于1。
ValueError - padding 的值小于0。
ValueError - kernel_size、 padding 或 stride 是tuple且其长度不等于1或2。
- 支持平台:
Ascend
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, mint >>> x = Tensor(np.arange(1 * 3 * 3 * 4).reshape(1, 3, 3, 4), mindspore.float32) >>> output = mint.nn.functional.avg_pool2d(x, kernel_size=2, stride=1) >>> print(output) [[[[ 2.5 3.5 4.5] [ 6.5 7.5 8.5]] [[14.5 15.5 16.5] [18.5 19.5 20.5]] [[26.5 27.5 28.5] [30.5 31.5 32.5]]]]