mindspore.ops.avg_pool2d

mindspore.ops.avg_pool2d(input_x, kernel_size=1, stride=1, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=0)[源代码]

在输入Tensor上应用2D平均池化，输入Tensor可以看作是由一系列2D平面组成的。

一般地，输入的shape为 \((N_{in}, C_{in}, H_{in}, W_{in})\) ，输出 \((H_{in}, W_{in})\) 维度的区域平均值。给定 kernel_size 为 \((k_{h}, k_{w})\) 和 stride ，运算如下：

\[\text{output}(N_i, C_j, h, w) = \frac{1}{k_{h} * k_{w}} \sum_{m=0}^{k_{h}-1} \sum_{n=0}^{k_{w}-1} \text{input}(N_i, C_j, stride[0] \times h + m, stride[1] \times w + n)\]

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 \((N, C_{in}, H_{in}, W_{in})\) 的Tensor。
kernel_size (Union[int, tuple[int]]) - 指定池化核尺寸大小，可以是单个整数表示池化核高度和宽度，或者整数tuple分别表示池化核高度和宽度。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上下左右方向的填充长度，或者包含四个整数的tuple，分别表示在上下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。
divisor_override (int) - 如果指定了该值，它将在平均计算中用作除数，否则将使用 kernel_size 作为除数。默认值：0。

返回：

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

异常：

TypeError - input_x 不是一个Tensor。
TypeError - kernel_size 或 stride 既不是int也不是tuple。
TypeError - ceil_mode 或 count_include_pad 不是bool。
TypeError - divisor_override 不是int。
ValueError - input_x 的shape长度不等于4。
ValueError - kernel_size 或 stride 小于1。
ValueError - kernel_size 或 stride 是长度不等于2的tuple。
ValueError - padding 不是int或者tuple的长度不等于4。
ValueError - padding 的值小于0。

支持平台：

Ascend GPU CPU

样例：

>>> x = Tensor(np.arange(1 * 3 * 3 * 4).reshape(1, 3, 3, 4), mindspore.float32)
>>> output = ops.avg_pool2d(x, kernel_size=2, stride=1)
>>> print(output)
[[[[ 2.5   3.5   4.5]
   [ 6.5   7.5   8.5]]
  [[14.5  15.5  16.5]
   [18.5  19.5  20.5]]
  [[26.5  27.5  28.5]
   [30.5  31.5  32.5]]]]