mindspore.ops.avg_pool1d

mindspore.ops.avg_pool1d(input_x, kernel_size=1, stride=1, padding=0, ceil_mode=False, count_include_pad=True)

在输入Tensor上应用1D平均池化，输入Tensor可以看作是由一系列1D平面组成的。

一般地，输入的shape为 \((N_{in}, C_{in}, L_{in})\) ，输出 \((L_{in})\) 维度的区域平均值。给定 kernel_size 为 \(ks = l_{ker}\) 和 stride 为 \(s = s_0\) ，运算如下：

\[\text{output}(N_i, C_j, l) = \frac{1}{l_{ker}} \sum_{n=0}^{l_{ker}-1} \text{input}(N_i, C_j, s_0 \times l + n)\]

警告

• kernel_size 取值为[1, 255]范围内的正整数，stride 的取值为[1, 63]范围内的正整数。

参数：

• input_x (Tensor) - 输入shape为 \((N, C_{in}, L_{in})\) 的Tensor。

• kernel_size (int) - 指定池化核尺寸大小。默认值：1。

• stride (Union(int, tuple[int])) - 池化操作的移动步长，可以是单个整数表示高度和宽度方向的移动步长，或者整数tuple分别表示高度和宽度方向的移动步长。默认值：1。

• padding (Union(int, tuple[int])) - 池化填充长度。可以是一个整数表示在左右方向的填充长度，或者包含两个整数的tuple，分别表示在左右方向的填充长度。默认值：0。

• ceil_mode (bool) - 如果为True，用ceil代替floor来计算输出的shape。默认值：False。

• count_include_pad (bool) - 如果为True，平均计算将包括零填充。默认值：True。

返回：

Tensor，shape为 \((N, C_{out}, L_{out})\) 。

异常：

• TypeError - input_x 不是一个Tensor。

• TypeError - kernel_size 或 stride 不是int。

• TypeError - ceil_mode 或 count_include_pad 不是bool。

• ValueError - input_x 的shape长度不等于3。

• ValueError - kernel_size 或 stride 小于1。

• ValueError - padding 不是int或者tuple的长度不等于2。

• ValueError - padding 的值小于0。

支持平台：

Ascend GPU CPU

样例：

>>> input_x = Tensor(np.random.randint(0, 10, [1, 3, 6]), mindspore.float32)
>>> output = ops.avg_pool1d(input_x, kernel_size=6, stride=1)
>>> print(output.shape)
(1, 3, 1)