比较与torch.nn.AvgPool2d的功能差异

torch.nn.AvgPool2d

torch.nn.AvgPool2d(
    kernel_size,
    stride=None,
    padding=0,
    ceil_mode=False,
    count_include_pad=True,
    divisor_override=None
)(input) -> Tensor

更多内容详见torch.nn.AvgPool2d。

mindspore.nn.AvgPool2d

mindspore.nn.AvgPool2d(
    kernel_size=1,
    stride=1,
    pad_mode='valid',
    data_format='NCHW'
)(x) -> Tensor

更多内容详见mindspore.nn.AvgPool2d。

差异对比

PyTorch：对由多个输入平面组成的输入信号应用二维平均池化。

MindSpore：MindSpore此API实现功能与PyTorch基本一致。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	kernel_size	kernel_size	功能一致，PyTorch无默认值
	参数2	stride	stride	功能一致，参数默认值不同
	参数3	padding	-	PyTorch中此参数用于添加隐式零填充，MindSpore无此参数
	参数4	ceil_mode	-	PyTorch中此参数用于决定输出shape: (\(N\),\(C\),\(H_{out}\),\(W_{out}\))中\(H_{out}\),\(W_{out}\)为小数时，是取上界ceil值还是舍弃小数部分取floor值；MindSpore无此参数，默认取floor值
	参数5	count_include_pad	-	PyTorch中此参数用于决定是否在平均计算中包括零填充，MindSpore无此参数
	参数6	divisor_override=None	-	PyTorch中如果指定，它将被用作除数，否则将使用kernel_size，MindSpore无此参数
	参数7	-	pad_mode	MindSpore中指定池化填充模式，可选值为”same”或”valid”，PyTorch无此参数
	参数8	-	data_format	MindSpore中指定输入数据格式，值可为”NHWC”或”NCHW”，PyTorch无此参数
输入	单输入	input	x	功能一致，参数名不同

代码示例

两API实现功能一致，用法相同。

# PyTorch
import torch
import torch.nn as nn

m = nn.AvgPool2d(kernel_size=1, stride=1)
input_x = torch.tensor([[[[1, 0, 1], [0, 1, 1]]]],dtype=torch.float32)
output = m(input_x)
print(output.numpy())
# [[[[1. 0. 1.]
#    [0. 1. 1.]]]]

# MindSpore
import mindspore
import mindspore.nn as nn
from mindspore import Tensor

pool = nn.AvgPool2d(kernel_size=1, stride=1)
x = Tensor([[[[1, 0, 1], [0, 1, 1]]]], dtype=mindspore.float32)
output = pool(x)
print(output)
# [[[[1. 0. 1.]
#    [0. 1. 1.]]]]