mindspore.nn.LPPool2d

class mindspore.nn.LPPool2d(norm_type, kernel_size, stride=None, ceil_mode=False)[源代码]

在一个输入Tensor上应用2D LP池化运算，可被视为组成一个2D输入平面。

通常，输入的shape为 \((N, C, H_{in}, W_{in})\)，输出的shape为 \((N, C, H_{in}, W_{in})\)，输出与输入的shape一致，公式如下：

\[f(X) = \sqrt[p]{\sum_{x \in X} x^{p}}\]

参数：

norm_type (Union[int, float]) - 标准化类型，代表公式里的p，不能为0，
- 如果 p = 1，得到的结果为池化核内元素之和（与平均池化成比例）；
- 如果 p = \(\infty\)，得到的结果为最大池化的结果。
kernel_size (Union[int, tuple[int]]) - 池化核尺寸大小。如果为整数，则代表池化核的高和宽。如果为tuple，其值必须包含两个整数值分别表示池化核的高和宽。
stride (Union[int, tuple[int]]) - 池化操作的移动步长，如果为整数，则代表stride的高和宽。如果为tuple，其值必须包含两个整数值分别表示stride的高和宽。如果值为 None ，则使用默认值 kernel_size。默认值： None 。
ceil_mode (bool) - 若为 True ，使用ceil模式来计算输出shape。若为 False ，使用floor模式来计算输出shape。默认值： False 。

输入：

x (Tensor) - shape为 \((N, C, H_{in}, W_{in})\) 的Tensor。

输出：

output - LPPool2d的计算结果，shape为 \((N, C, H_{in}, W_{in})\) 的Tensor，与输入 x 的类型一致，其中

\[H_{out} = \left\lfloor\frac{H_{in} - \text{kernel_size}[0]}{\text{stride}[0]} + 1\right\rfloor\]

\[W_{out} = \left\lfloor\frac{W_{in} - \text{kernel_size}[1]}{\text{stride}[1]} + 1\right\rfloor\]

异常：

TypeError - x 不是Tensor。
TypeError - kernel_size 或 stride 不是int也不是tuple。
TypeError - ceil_mode 不是bool。
TypeError - norm_type 不是float也不是int。
ValueError - norm_type 等于0。
ValueError - kernel_size 或 stride 小于1。
ValueError - kernel_size 或 stride 是一个长度不为2的tuple。
ValueError - x 的shape长度不等于4。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> a = ms.Tensor(np.arange(2 * 3 * 4 * 5).reshape((2, 3, 4, 5)), dtype=ms.float32)
>>> net = ms.nn.LPPool2d(norm_type=1, kernel_size=3, stride=1)
>>> out = net(a)
>>> print(out)
[[[[  54.   63.   72.]
   [  99.  108.  117.]]
  [[ 234.  243.  252.]
   [ 279.  288.  297.]]
  [[ 414.  423.  432.]
   [ 459.  468.  477.]]]
 [[[ 594.  603.  612.]
   [ 639.  648.  657.]]
  [[ 774.  783.  792.]
   [ 819.  828.  837.]]
  [[ 954.  963.  972.]
   [ 999. 1008. 1017.]]]]