mindspore.ops.avg_pool2d

mindspore.ops.avg_pool2d(x, kernel_size=1, strides=1, pad_mode='valid', data_format='NCHW')[源代码]

对输入的多维数据进行二维平均池化运算。

在输入Tensor上应用2D average pooling,可被视为2D输入平面。

一般地,输入的shape为 \((N_{in}, C_{in}, H_{in}, W_{in})\) ,输出 \((H_{in}, W_{in})\) 维度的区域平均值。给定 kernel_size\((k_{h}, k_{w})\)strides ,运算如下:

\[\text{output}(N_i, C_j, h, w) = \frac{1}{k_{h} * k_{w}} \sum_{m=0}^{k_{h}-1} \sum_{n=0}^{k_{w}-1} \text{input}(N_i, C_j, strides[0] \times h + m, strides[1] \times w + n)\]

Warning

  • 支持全局池化。

  • 在Ascend上,kernel_size 的高度和宽度取值为[1, 255]范围内的正整数。其高度和宽度相乘小于256。

  • 由于指令限制,strides 的取值为[1, 63]范围内的正整数。

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

  • kernel_size (Union[int, tuple[int]]) - 指定池化核尺寸大小,可以是单个整数表示池化核高度和宽度,或者整数tuple分别表示池化核高度和宽度。默认值:1。

  • strides (Union[int, tuple[int]]) - 池化操作的移动步长,可以是单个整数表示高度和宽度方向的移动步长,或者整数tuple分别表示高度和宽度方向的移动步长。默认值:1。

  • pad_mode (str) - 指定池化填充模式,取值为’same’或’valid’,不区分大小写。默认值:’valid’。

    • same - 输出的高度和宽度分别与输入向上整除 strides 后的值相同。

    • valid - 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。

  • data_format (str) - 指定输入和输出的数据格式。取值为’NHWC’或’NCHW’。默认值:’NCHW’。

返回:

Tensor,shape为 \((N,C_{out},H_{out},W_{out})\)

异常:
  • TypeError - kernel_sizestrides 既不是int也不是tuple。

  • ValueError - kernel_sizestrides 小于1。

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

  • ValueError - data_format 既不是’NCHW’也不是’NHWC’。

  • ValueError - x 的shape长度不等于4。

支持平台:

Ascend GPU CPU

样例:

>>> x = Tensor(np.arange(1 * 3 * 3 * 4).reshape(1, 3, 3, 4), mindspore.float32)
>>> output = ops.avg_pool2d(x, kernel_size=2, strides=1, pad_mode='VALID')
>>> print(output)
[[[[ 2.5   3.5   4.5]
   [ 6.5   7.5   8.5]]
  [[14.5  15.5  16.5]
   [18.5  19.5  20.5]]
  [[26.5  27.5  28.5]
   [30.5  31.5  32.5]]]]