比较与torch.nn.AvgPool1d的差异

torch.nn.AvgPool1d

torch.nn.AvgPool1d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)(input) -> Tensor

更多内容详见torch.nn.AvgPool1d。

mindspore.nn.AvgPool1d

mindspore.nn.AvgPool1d(kernel_size=1, stride=1, pad_mode="valid", padding=0, ceil_mode=False, count_include_pad=True)(x) -> Tensor

更多内容详见mindspore.nn.AvgPool1d。

差异对比

PyTorch：对输入的多维数据进行一维平面上的平均池化运算。

MindSpore：MindSpore此API实现功能同时兼容TensorFlow和PyTorch，pad_mode 为 “valid” 或者 “same” 时，功能与TensorFlow一致，pad_mode 为 “pad” 时，功能与PyTorch一致，MindSpore相比PyTorch1.8.1额外支持了维度为2的输入，与PyTorch1.12一致。

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	padding	功能一致
	参数4	ceil_mode	ceil_mode	功能一致
	参数5	count_include_pad	count_include_pad	功能一致
	参数6	-	pad_mode	MindSpore指定池化的填充方式，可选值为”same”，”valid” 或者 “pad”，PyTorch无此参数
输入	单输入	input	x	接口输入，功能一致，参数名不同

代码示例1

两API实现功能一致，用法相同。

# PyTorch
import torch
import torch.nn as nn

m = nn.AvgPool1d(kernel_size=6, stride=1)
input_x = torch.tensor([[[1,2,3,4,5,6,7]]], dtype=torch.float32)
print(m(input_x).numpy())
# [[[3.5 4.5]]]

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

pool = nn.AvgPool1d(kernel_size=6, stride=1)
x = Tensor([[[1,2,3,4,5,6,7]]], dtype=mindspore.float32)
output = pool(x)
print(output)
# [[[3.5 4.5]]]

代码示例2

使用pad模式保证功能一致。

import torch
import mindspore.nn as nn
import mindspore.ops as ops

pool = nn.AvgPool1d(4, stride=1, ceil_mode=True, pad_mode='pad', padding=2)
x1 = ops.randn(6, 6, 8)
output = pool(x1)
print(output.shape)
# (6, 6, 9)

pool = torch.nn.AvgPool1d(4, stride=1, ceil_mode=True, padding=2)
x1 = torch.randn(6, 6, 8)
output = pool(x1)
print(output.shape)
# torch.Size([6, 6, 9])