mindspore.nn.AvgPool3d

class mindspore.nn.AvgPool3d(kernel_size=1, stride=1, pad_mode='valid', padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)

在一个输入Tensor上应用3D平均池化运算，输入Tensor可看成是由一系列3D平面组成的。

通常，输入的shape为 $(N_{in},C_{in},D_{in},H_{in},W_{in})$ ，AvgPool3D输出 $(D_{in},H_{in},W_{in})$ 维度的区域平均值。给定 kernel_size 为 $ks=(d_{ker},h_{ker},w_{ker})$ 和 stride 为 $s=(s_0,s_1,s_2)$，公式如下。

警告

kernel_size 在[1, 255]的范围内取值。stride 在[1, 63]的范围内取值。

$$\text{output}(N_i,C_j,d,h,w)=\frac{1}{d_{ker}\ast h_{ker}\ast w_{ker}}\sum _{l=0}^{d_{ker}-1}\sum _{m=0}^{h_{ker}-1}\sum _{n=0}^{w_{ker}-1}\text{input}(N_i,C_j,s_0\times d+l,s_1\times h+m,s_2\times w+n)$$

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]]，可选) - 指定池化核尺寸大小。如果为整数或单元素tuple，则同时代表池化核的深度，高度和宽度。如果为tuple且长度不为 1 ，其值必须包含三个正整数，分别表示池化核的深度，高度和宽度。默认值： 1 。

• stride (Union[int, tuple[int]]，可选) - 池化操作的移动步长。如果为整数或单元素tuple，则同时代表池化核的深度，高度和宽度方向上的移动步长。如果为tuple且长度不为 1 ，其值必须包含三个整数值，分别表示池化核的深度，高度和宽度方向上的移动步长。取值必须为正整数。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"：在输入的深度、高度和宽度维度进行填充，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前方/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深度、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，在输入的深度、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])，可选) - 池化填充值，只有 pad_mode 为"pad"时才能设置为非 0 。默认值： 0 。只支持以下情况：

  • padding 为一个整数或包含一个整数的tuple/list，此情况下分别在输入的前后上下左右六个方向进行 padding 次的填充。

  • padding 为一个包含三个int的tuple/list，此情况下在输入的前后进行 padding[0] 次的填充，上下进行 padding[1] 次的填充，在输入的左右进行 padding[2] 次的填充。

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

• divisor_override (int，可选) - 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 。

输入：

• x (Tensor) - shape为 $(N,C,D_{in},H_{in},W_{in})$ 或者 $(C,D_{in},H_{in},W_{in})$ 的Tensor。数据类型为float16、float32和float64。

输出：

shape为 $(N,C,D_{out},H_{out},W_{out})$ 或者 $(C,D_{out},H_{out},W_{out})$ 的Tensor。数据类型与 x 一致。

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

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

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

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

异常：

• TypeError - kernel_size 既不是整数也不是元组。

• TypeError - stride 既不是整数也不是元组。

• TypeError - padding 既不是整数也不是元组/列表。

• TypeError - ceil_mode 或 count_include_pad 不是bool。

• TypeError - divisor_override 不是整数。

• ValueError - kernel_size 或者 stride 中的数字不是正数。

• ValueError - kernel_size 或 stride 是一个长度不为3的tuple。

• ValueError - padding 为一个tuple/list时，长度不为1或者3。

• ValueError - padding 的元素小于0。

• ValueError - x 的shape长度不等于4或5。

• 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
>>> pool = ms.nn.AvgPool3d(kernel_size=3, stride=1)
>>> x = ms.ops.randn(1, 2, 4, 4, 5).astype(ms.float32)
>>> output = pool(x)
>>> print(output.shape)
(1, 2, 2, 2, 3)
>>> x1 = ms.ops.randn(6, 5, 7, 7, 5).astype(ms.float32)
>>> pool2 = ms.nn.AvgPool3d(4, stride=2, pad_mode="pad", padding=(2, 2, 1), divisor_override=10)
>>> output2 = pool2(x1)
>>> print(output2.shape)
(6, 5, 4, 4, 2)