比较与torch.nn.AvgPool2d的差异
torch.nn.AvgPool2d
torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)(input) -> Tensor
更多内容详见torch.nn.AvgPool2d。
mindspore.nn.AvgPool2d
mindspore.nn.AvgPool2d(kernel_size=1, stride=1, pad_mode='valid', padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None, data_format='NCHW')(x) -> Tensor
更多内容详见mindspore.nn.AvgPool2d。
差异对比
PyTorch:对由多个输入平面组成的输入信号应用二维平均池化。
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3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 |
divisor_override |
divisor_override |
功能一致 |
|
参数7 |
- |
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 |
|
参数8 |
- |
data_format |
MindSpore中指定输入数据格式,值可为”NHWC”或”NCHW”,PyTorch无此参数 |
|
输入 |
单输入 |
input |
x |
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.AvgPool2d(kernel_size=1, stride=1)
input_x = torch.tensor([[[[1, 0, 1], [0, 1, 1]]]],dtype=torch.float32)
output = m(input_x)
print(output.numpy())
# [[[[1. 0. 1.]
# [0. 1. 1.]]]]
# MindSpore
import mindspore
import mindspore.nn as nn
from mindspore import Tensor
pool = nn.AvgPool2d(kernel_size=1, stride=1)
x = Tensor([[[[1, 0, 1], [0, 1, 1]]]], dtype=mindspore.float32)
output = pool(x)
print(output)
# [[[[1. 0. 1.]
# [0. 1. 1.]]]]
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.AvgPool2d(4, stride=1, ceil_mode=True, pad_mode='pad', padding=2)
x1 = ops.randn(6, 6, 8, 8)
output = pool(x1)
print(output.shape)
# (6, 6, 9, 9)
pool = torch.nn.AvgPool2d(4, stride=1, ceil_mode=True, padding=2)
x1 = torch.randn(6, 6, 8, 8)
output = pool(x1)
print(output.shape)
# torch.Size([6, 6, 9, 9])