比较与torch.nn.AvgPool1d的功能差异

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'
)(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实现功能与PyTorch基本一致，MindSpore不存在padding、ceil_mode、count_include_pad参数，而PyTorch中无pad_mode参数。

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	-	PyTorch中此参数用于说明输入的每一条边补充0的层数，MindSpore无此参数
	参数4	ceil_mode	-	PyTorch中此参数用于决定输出shape: (\(N\), \(C\), \(L_{out}\))中\(L_{out}\)为小数时，是取上界ceil值还是舍弃小数部分取floor值；MindSpore无此参数，默认取floor值
	参数5	count_include_pad	-	PyTorch中此参数用于决定是否在平均计算中包括padding，MindSpore无此参数
	参数6	-	pad_mode	MindSpore指定池化的填充方式，可选值为”same”或”valid”，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

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]]]