比较与torch.nn.AdaptiveAvgPool2d的功能差异

torch.nn.AdaptiveAvgPool2d

torch.nn.AdaptiveAvgPool2d(output_size)(input) -> Tensor

更多内容详见torch.nn.AdaptiveAvgPool2d。

mindspore.nn.AdaptiveAvgPool2d

class mindspore.nn.AdaptiveAvgPool2d(output_size)(x) -> Tensor

更多内容详见mindspore.nn.AdaptiveAvgPool2d。

差异对比

PyTorch：对输入三维或四维的Tensor，使用二维的自适应平均池化操作，指定输出的尺寸为H x W，输出的特征数目等于输入的特征数目。output_size可以是int类型的H和W组成的元组(H, W)，或者代表相同H和W的一个int值，或者None则表示输出大小将与输入相同。输入和输出数据格式可以是”NCHW”和”CHW”，N表示批处理大小、C是通道数、H是特征高度和W是特征宽度。

MindSpore：MindSpore此API实现功能与PyTorch一致，参数名也相同。

分类	子类	PyTorch	MindSpore	差异
输入	单输入	input	x	都是输入三维或四维的Tensor
参数	参数1	output_size	output_size	-

代码示例1

两API实现功能一致，用法相同。输入为三维Tensor，数据尺寸为(C, H, W)，output_size=(None, new_W)，则PyTorch和MindSpore的AdaptiveAvgPool2D输出一致，数据尺寸为(C, H, new_W)。

# case 1: output_size = (None, 2)
# PyTorch
import torch

# torch_input.shape = (1, 3, 3)
torch_input = torch.tensor([[[1.0, 2.0, 3.0],
                             [4.0, 5.0, 6.0],
                             [7.0, 8.0, 9.0]]], dtype=torch.float32)
output_size = (None, 2)
torch_adaptive_avg_pool_2d = torch.nn.AdaptiveAvgPool2d(output_size)
# torch_output = (1, 3, 2)
torch_output = torch_adaptive_avg_pool_2d(torch_input)
torch_out_np = torch_output.numpy()
print(torch_out_np)
# [[[1.5 2.5]
#   [4.5 5.5]
#   [7.5 8.5]]]

# MindSpore
import numpy as np
import mindspore
from mindspore import Tensor

# ms_input.shape = (1, 3, 3)
ms_input = Tensor(np.array([[[1.0, 2.0, 3.0],
                             [4.0, 5.0, 6.0],
                             [7.0, 8.0, 9.0]]]), mindspore.float32)
output_size = (None, 2)
ms_adaptive_avg_pool_2d = mindspore.nn.AdaptiveAvgPool2d(output_size)
# ms_output = (1, 3, 2)
ms_output = ms_adaptive_avg_pool_2d(ms_input)
ms_out_np = ms_output.asnumpy()
print(ms_out_np)
# [[[1.5 2.5]
#   [4.5 5.5]
#   [7.5 8.5]]]