文档反馈

问题文档片段

问题文档片段包含公式时,显示为空格。

提交类型
issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型
规范和低错类

- 规范和低错类:

- 错别字或拼写错误,标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致,但不影响操作。

- 表述不通顺,但不影响理解。

- 版本号不匹配:如软件包名称、界面版本号。

易用性

- 易用性:

- 关键步骤错误或缺失,无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰,该分类、分项、分步骤的没有给出。

正确性

- 正确性:

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误,无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示:

- 对重要数据或系统存在风险的操作,缺少安全提示。

内容合规

- 内容合规:

- 违反法律法规,涉及政治、领土主权等敏感词。

- 内容侵权。

问题描述

请勾选同意隐私声明

mindspore.nn.AdaptiveAvgPool3d

class mindspore.nn.AdaptiveAvgPool3d(output_size)[源代码]

三维自适应平均池化。

对输入Tensor,提供3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 (D,H,W)。但是输入和输出特征的数目不会变化。

假设输入 x 最后3维大小分别为 (inD,inH,inW),则输出的最后3维大小分别为 (outD,outH,outW)。运算如下:

od[0,outD1],oh[0,outH1],ow[0,outW1]output[od,oh,ow]=mean(x[istartD:iendD+1,istartH:iendH+1,istartW:iendW+1])where,istartD=odinDoutDiendD=(od+1)inDoutDistartH=ohinHoutHiendH=(oh+1)inHoutHistartW=owinWoutWiendW=(ow+1)inWoutW
参数:
  • output_size (Union[int, tuple]) - 指定输出特征图的尺寸,可以是个tuple (D,H,W),也可以是一个int值D来表示输出尺寸为 (D,D,D)DHW 可以是int值或者None,其中None表示输出大小与对应的输入的大小相同。

输入:
  • x (Tensor) - AdaptiveAvgPool3d的输入,是4D或者5D的Tensor。

输出:

Tensor,与输入 x 的数据类型相同。

异常:
  • TypeError - x 不是Tensor。

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

  • ValueError - x 维度不是4D或者5D。

  • ValueError - output_size 的值不是正数。

支持平台:

GPU

样例:

>>> # case 1: output_size=(3, 3, 4)
>>> output_size=(3, 3, 4)
>>> input_x_val = np.random.randn(4, 3, 5, 6, 7)
>>> input_x = Tensor(input_x_val, mindspore.float32)
>>> net = nn.AdaptiveAvgPool3d(output_size)
>>> output = net(input_x)
>>> print(output.shape)
(4, 3, 3, 3, 4)
>>> # case 2: output_size=4
>>> output_size=5
>>> input_x_val = np.random.randn(2, 3, 8, 6, 12)
>>> input_x = Tensor(input_x_val, mindspore.float32)
>>> net = nn.AdaptiveAvgPool3d(output_size)
>>> output = net(input_x)
>>> print(output.shape)
(2, 3, 5, 5, 5)
>>> # case 3: output_size=(None, 4, 5)
>>> output_size=(None, 4, 5)
>>> input_x_val = np.random.randn(4, 1, 9, 10, 8)
>>> input_x = Tensor(input_x_val, mindspore.float32)
>>> net = nn.AdaptiveAvgPool3d(output_size)
>>> output = net(input_x)
>>> print(output.shape)
(4, 1, 9, 4, 5)