mindspore.nn.AdaptiveAvgPool2d

class mindspore.nn.AdaptiveAvgPool2d(output_size)

对输入Tensor，提供二维的自适应平均池化操作。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。运算如下：

$$\begin{array}{r}\begin{array}{rl}{h}_{start}& =floor(i\ast H_{in}/H_{out})\\ h_{end}& =ceil((i+1)\ast H_{in}/H_{out})\\ w_{start}& =floor(j\ast W_{in}/W_{out})\\ w_{end}& =ceil((j+1)\ast W_{in}/W_{out})\\ Output(i,j)& =\frac{\sum Input[h_{start}:h_{end},w_{start}:w_{end}]}{(h_{end}-h_{start})\ast (w_{end}-w_{start})}\end{array}\end{array}$$

参数：

• output_size (Union[int, tuple]) - 输出特征图的尺寸为H * W。可以是int类型的H和W组成的tuple，也可以为一个int值，代表相同H和W，或None，如果是None，则意味着输出大小与输入相同。

输入：

• input (Tensor) - AdaptiveAvgPool2d的输入，为三维或四维的Tensor，数据类型为float16、float32或者float64。

输出：

Tensor，输出shape为 $(N,C_{out},H_{out},W_{out})$。

异常：

• ValueError - 如果 output_size 是tuple，并且 output_size 的长度不是2。

• TypeError - 如果 input 不是Tensor。

• TypeError - 如果 input 的数据类型不是float16、float32或者float64。

• ValueError - 如果 input 的维度小于或等于 output_size 的维度。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> pool = ms.nn.AdaptiveAvgPool2d(2)
>>> input_x = ms.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]]]), ms.float32)
>>> output = pool(input_x)
>>> result = output.shape
>>> print(result)
(3, 2, 2)