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)[源代码]

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。

\[\text{output}(N_i, C_j, d, h, w) = \frac{1}{d_{ker} * h_{ker} * w_{ker}} \sum_{l=0}^{d_{ker}-1} \sum_{m=0}^{h_{ker}-1} \sum_{n=0}^{w_{ker}-1} \text{input}(N_i, C_j, s_0 \times d + l, s_1 \times h + m, s_2 \times w + n)\]
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) - 指定池化的填充方式，可选值为”same”，”valid”或”pad”，不区分大小写。默认值：”valid”。

    • same: 输出的深度、高度和宽度分别与输入整除 stride 后的值相同。

    • valid: 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。

    • pad: 对输入进行填充。在输入的前后上下左右分别填充 padding 大小的0。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。数据类型必须为float16或者float32。

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：

\[D_{out} = \left\lfloor\frac{D_{in} + 2 \times \text{padding}[0] - \text{kernel_size}[0]}{\text{stride}[0]} + 1\right\rfloor\]
\[H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[1] - \text{kernel_size}[1]}{\text{stride}[1]} + 1\right\rfloor\]
\[W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[2] - \text{kernel_size}[2]}{\text{stride}[2]} + 1\right\rfloor\]
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
>>> import mindspore.nn as nn
>>> import mindspore.ops as ops
>>> pool = nn.AvgPool3d(kernel_size=3, stride=1)
>>> x = ops.randn(1, 2, 4, 4, 5).astype(ms.float32)
>>> output = pool(x)
>>> print(output.shape)
(1, 2, 2, 2, 3)
>>> x1 = ops.randn(6, 5, 7, 7, 5).astype(ms.float32)
>>> pool2 = 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)