比较与torch.nn.AvgPool1d的差异

查看源文件

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])