mindspore.nn.AvgPool2d

class mindspore.nn.AvgPool2d(kernel_size=1, stride=1, pad_mode='valid', padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None, data_format='NCHW')

在输入Tensor上应用2D平均池化运算，可视为二维输入平面的组合。

通常，输入的shape为 $(N_{in},C_{in},H_{in},W_{in})$ ，AvgPool2d的输出为 $(H_{in},W_{in})$ 维度的区域平均值。给定 kernel_size 为 $ks=(h_{ker},w_{ker})$ 和 stride $s=(s_0,s_1)$，公式定义如下：

$$\text{output}(N_i,C_j,h,w)=\frac{1}{h_{ker}\ast w_{ker}}\sum _{m=0}^{h_{ker}-1}\sum _{n=0}^{w_{ker}-1}\text{input}(N_i,C_j,s_0\times h+m,s_1\times w+n)$$

说明

该接口暂不支持Atlas A2训练系列产品。

参数：

• kernel_size (Union[int, tuple[int]]) - 指定池化核尺寸大小。如果为整数或单元素tuple，则代表池化核的高和宽。如果为tuple且长度不为 1 ，其值必须包含两个整数值分别表示池化核的高和宽。默认值： 1 。

• stride (Union[int, tuple[int]]) - 池化操作的移动步长，如果为整数或单元素tuple，则代表池化核的高和宽方向的移动步长。如果为tuple且长度不为 1 ，其值必须包含两个整数值分别表示池化核的高和宽的移动步长。默认值： 1 。

• pad_mode (str，可选) - 指定填充模式，填充值为0。可选值为 "same" ， "valid" 或 "pad" 。默认值： "valid" 。

  • "same"：在输入的四周填充，使得当 stride 为 1 时，输入和输出的shape一致。待填充的量由算子内部计算，若为偶数，则均匀地填充在四周，若为奇数，多余的填充量将补充在底部/右侧。如果设置了此模式， padding 必须为0。

  • "valid"：不对输入进行填充，返回输出可能的最大高度和宽度，不能构成一个完整stride的额外的像素将被丢弃。如果设置了此模式， padding 必须为0。

  • "pad"：对输入填充指定的量。在这种模式下，在输入的高度和宽度方向上填充的量由 padding 参数指定。如果设置此模式， padding 必须大于或等于0。

• padding (Union(int, tuple[int], list[int])) - 池化填充值，只有 pad 模式才能设置为非 0 。默认值： 0 。 padding 只能是一个整数或者包含一个或两个整数的元组，若 padding 为一个整数或者包含一个整数的tuple/list，则会分别在输入的上下左右四个方向进行 padding 次的填充，若 padding 为一个包含两个整数的tuple/list，则会在输入的上下进行 padding[0] 次的填充，在输入的左右进行 padding[1] 次的填充。

• ceil_mode (bool) - 若为 True ，使用ceil来计算输出shape。若为 False ，使用floor来计算输出shape。默认值： False 。

• count_include_pad (bool) - 平均计算是否包括零填充。默认值： True 。

• divisor_override (int) - 如果被指定为非0参数，该参数将会在平均计算中被用作除数，否则将会使用 kernel_size 作为除数，默认值： None 。

• data_format (str) - 输入数据格式可为 'NHWC' 或 'NCHW' 。默认值： 'NCHW' 。

输入：

• x (Tensor) - 输入数据的shape为 $(N,C_{in},H_{in},W_{in})$ 或 $(C_{in},H_{in},W_{in})$ 的Tensor。

输出：

输出数据的shape为 $(N,C_{out},H_{out},W_{out})$ 或 $(C_{out},H_{out},W_{out})$ 的Tensor。

其中，如果 pad_mode 为 pad 模式时，输出的shape计算公式如下：

$$H_{out}=\lfloor \frac{H_{in}+2\times \text{padding}[0]-\text{kernel\_size}[0]}{\text{stride}[0]}+1\rfloor$$

$$W_{out}=\lfloor \frac{W_{in}+2\times \text{padding}[1]-\text{kernel\_size}[1]}{\text{stride}[1]}+1\rfloor$$

异常：

• TypeError - kernel_size 或 strides 既不是整数，也不是tuple。

• ValueError - pad_mode 既不是"valid"，也不是"same" 或者 "pad"，不区分大小写。

• ValueError - data_format 既不是'NCHW'，也不是'NHWC'。

• ValueError - data_format 为 'NHWC' 时，使用了 padding 、 ceil_mode 、 count_include_pad 或者 divisor_override 之一，或 pad_mode 为 pad。

• ValueError - kernel_size 或 stride 小于1。

• ValueError - padding 为tuple/list时长度不为1或2。

• ValueError - x 的shape长度不等于3或4。

• ValueError - divisor_override 小于等于0。

• ValueError - pad_mode 不为 "pad" 的时候 padding 为非0。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> pool = ms.nn.AvgPool2d(kernel_size=3, stride=1)
>>> x = ms.Tensor(np.random.randint(0, 10, [1, 2, 4, 4]), ms.float32)
>>> output = pool(x)
>>> print(output.shape)
(1, 2, 2, 2)
>>> x = ms.ops.randn(6, 6, 8, 8)
>>> pool2 = ms.nn.AvgPool2d(4, stride=1, pad_mode="pad", padding=2, divisor_override=5)
>>> output2 = pool2(x)
>>> print(output2.shape)
(6, 6, 9, 9)