mindspore.nn.AvgPool1d

查看源文件
class mindspore.nn.AvgPool1d(kernel_size=1, stride=1, pad_mode='valid', padding=0, ceil_mode=False, count_include_pad=True)[源代码]

在一个输入Tensor上应用1D平均池化运算,可被视为组成一个1D输入平面。

通常,输入的shape为 \((N_{in}, C_{in}, L_{in})\) ,AvgPool1d在 \((L_{in})\) 维度上输出区域平均值。 给定 kernel_size\(l_{ker}\)stride\(s_0\) ,公式定义如下:

\[\text{output}(N_i, C_j, l) = \frac{1}{l_{ker}} \sum_{n=0}^{l_{ker}-1} \text{input}(N_i, C_j, s_0 \times l + n)\]
参数:
  • kernel_size (int) - 指定池化核尺寸大小,数据类型为整型。默认值: 1

  • stride (int) - 池化操作的移动步长,数据类型为整型。默认值: 1

  • pad_mode (str,可选) - 指定填充模式,填充值为0。可选值为 "same""valid""pad" 。默认值: "valid"

    • "same":在输入的两端填充,使得当 stride1 时,输入和输出的shape一致。待填充的量由算子内部计算,若为偶数,则均匀地填充在四周,若为奇数,多余的填充量将补充在右端。如果设置了此模式, padding 必须为0。

    • "valid":不对输入进行填充,返回输出可能的最大长度,不能构成一个完整stride的额外的像素将被丢弃。如果设置了此模式, padding 必须为0。

    • "pad":对输入填充指定的量。在这种模式下,填充的量由 padding 参数指定。如果设置此模式, padding 必须大于或等于0。

  • padding (Union(int, tuple[int], list[int])) - 池化填充值,只有 pad 模式才能设置为非0。默认值: 0padding 只能是一个整数或者包含一个整数的tuple/list,设定后,则会在输入的左边和右边填充 padding 次或者 padding[0] 次。

  • ceil_mode (bool) - 若为 True ,使用ceil来计算输出shape。若为 False ,使用floor来计算输出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

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

输出:

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

其中,如果 pad_modepad 模式时,输出的shape计算公式如下:

\[L_{out} = \left\lfloor \frac{L_{in} + 2 \times \text{padding} - \text{kernel_size}}{\text{stride}} + 1\right\rfloor\]
异常:
  • TypeError - kernel_sizestride 不是int。

  • ValueError - pad_mode 既不是"valid",也不是"same" 或者 "pad",不区分大小写。

  • ValueError - kernel_sizestride 小于1。

  • ValueError - padding 为tuple/list时长度不为1。

  • ValueError - x 的shape长度不等于2或3。

  • ValueError - pad_mode 不为 "pad" 的时候 padding 为非0。

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore as ms
>>> import numpy as np
>>> pool = ms.nn.AvgPool1d(kernel_size=6, stride=1)
>>> x = ms.Tensor(np.random.randint(0, 10, [1, 3, 6]), ms.float32)
>>> output = pool(x)
>>> result = output.shape
>>> print(result)
(1, 3, 1)
>>> pool2 = ms.nn.AvgPool1d(4, stride=1, ceil_mode=True, pad_mode="pad", padding=2)
>>> x1 = ms.ops.randn(6, 6, 8)
>>> output = pool2(x1)
>>> print(output.shape)
(6, 6, 9)