mindspore.mint.nn.functional.avg_pool2d

查看源文件
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\((kH, kW)\)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 \((N, C, H_{in}, W_{in})\)\((C, H_{in}, W_{in})\) 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 \((N, C, H_{out}, W_{out})\)\((C, H_{out}, W_{out})\)

\[\begin{split}\begin{array}{ll} \\ H_{out} = \frac{H_{in} + 2 \times padding[0] - kernel\_size[0]}{stride[0]} + 1 \\ W_{out} = \frac{W_{in} + 2 \times padding[1] - kernel\_size[1]}{stride[1]} + 1 \end{array}\end{split}\]
异常:
  • TypeError - input 不是一个Tensor。

  • TypeError - kernel_sizestride 既不是int也不是tuple。

  • TypeError - ceil_modecount_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_sizestride 小于1。

  • ValueError - padding 的值小于0。

  • ValueError - kernel_sizepaddingstride 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]]]]