mindspore.ops.adaptive_avg_pool2d

mindspore.ops.adaptive_avg_pool2d(input_x, output_size)

2维自适应平均池化。

对输入Tensor，提供2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。

对于2维的自适应平均池化操作，有如下公式：

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

参数：

• input_x (Tensor) - adaptive_avg_pool2d的输入，为三维或四维的Tensor，数据类型为float16、float32或者float64。

• 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，或代表相同H和W的一个int值，或None，如果是None，则意味着输出大小与输入相同。

返回：

Tensor，数据类型与 input_x 相同。

输出的shape为 input_x_shape[:len(input_x_shape) - len(out_shape)] + out_shape 。

$$\begin{array}{r}out\mathrm{\_}shape=\{\begin{array}{ll}input\mathrm{\_}x\mathrm{\_}shape[-2]+output\mathrm{\_}size[1],& \text{if output\_size is (None, w);}\\ output\mathrm{\_}size[0]+input\mathrm{\_}x\mathrm{\_}shape[-1],& \text{if output\_size is (h, None);}\\ input\mathrm{\_}x\mathrm{\_}shape[-2:],& \text{if output\_size is (None, None);}\\ (h,h),& \text{if output\_size is h;}\\ (h,w),& \text{if output\_size is (h, w)}\end{array}\end{array}$$

异常：

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

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

• TypeError - 如果 input_x 不是Tensor。

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

支持平台：

GPU

样例：

>>> # case 1: output_size=(None, 2)
>>> input_x = 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]]]), mindspore.float32)
>>> output = ops.adaptive_avg_pool2d(input_x, (None, 2))
>>> print(output)
[[[1.5 2.5]
  [4.5 5.5]
  [7.5 8.5]]
 [[1.5 2.5]
  [4.5 5.5]
  [7.5 8.5]]
 [[1.5 2.5]
  [4.5 5.5]
  [7.5 8.5]]]
>>> # case 2: output_size=2
>>> output = ops.adaptive_avg_pool2d(input_x, 2)
>>> print(output)
[[[3. 4.]
  [6. 7.]]
 [[3. 4.]
  [6. 7.]]
 [[3. 4.]
  [6. 7.]]]
>>> # case 3: output_size=(1, 2)
>>> output = ops.adaptive_avg_pool2d(input_x, (1, 2))
>>> print(output)
[[[4.5 5.5]]
 [[4.5 5.5]]
 [[4.5 5.5]]]