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
。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
,则输出的最后3维大小分别为 。运算如下:- 参数:
output_size (Union[int, tuple]) - 指定输出特征图的尺寸,可以是个tuple
,也可以是一个int值D来表示输出尺寸为 。 , 和 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)