AvgPool2d

class torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)

對由多個輸入平面組成的輸入訊號應用 2D 平均池化。

在最簡單的情況下，輸入尺寸為 $(N, C, H, W)$ 的層，輸出尺寸為 $(N, C, H_{out}, W_{out})$ 和 kernel_size $(kH, kW)$ 可以精確描述為

$$out(N_i, C_j, h, w) = \frac{1}{kH * kW} \sum_{m=0}^{kH-1} \sum_{n=0}^{kW-1} input(N_i, C_j, stride[0] \times h + m, stride[1] \times w + n)$$

如果 padding 非零，則輸入在兩側隱式地用 padding 個點進行零填充。

注意

當 ceil_mode=True 時，如果滑動視窗從左側填充或輸入開始，則允許它們超出邊界。從右側填充區域開始的滑動視窗將被忽略。

注意

padding 最多應該是有效核大小的一半。

引數 kernel_size、stride、padding 可以是

• 單個 int 或單元素元組——在這種情況下，高度和寬度維度使用相同的值

• 兩個 int 的 tuple – 在這種情況下，第一個 int 用於高度維度，第二個 int 用於寬度維度

引數

• kernel_size （Union[int, tuple[int, int]]）——視窗的大小。

• stride (Union[int, tuple[int, int]]) – 視窗的步幅。預設值是 kernel_size

• padding (Union[int, tuple[int, int]]) – 需在兩側新增的隱式零填充

• ceil_mode (bool) – 當為 True 時，將使用 ceil 而不是 floor 來計算輸出形狀

• count_include_pad (bool) – 如果為 True，則將零填充包含在平均計算中

• divisor_override (Optional[int]) – 如果指定，則使用此值作為除數，否則使用池化區域的大小。

形狀

• 輸入：$(N, C, H_{in}, W_{in})$ 或 $(C, H_{in}, W_{in})$。

• 輸出：$(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$，其中

  $$H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[0] - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor$$
  $$W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[1] - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor$$

  根據上面的說明，如果 ceil_mode 為 True 且 $(H_{out} - 1)\times \text{stride}[0]\geq H_{in} + \text{padding}[0]$, we skip the last window as it would start in the bottom padded region, resulting in $H_{out}$ being reduced by one.

  對於 $W_{out}$ 也是同理。

示例

>>> # pool of square window of size=3, stride=2
>>> m = nn.AvgPool2d(3, stride=2)
>>> # pool of non-square window
>>> m = nn.AvgPool2d((3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)

forward(input)

執行前向傳播。

返回型別

張量