AvgPool2d

类torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)[源代码]

对由多个输入平面组成的输入信号进行二维平均池化操作。

在最简单的情况下，对于输入大小为$(N, C, H, W)$、输出为$(N, C, H_{out}, W_{out})$且kernel_size 为$(kH, kW)$的层，其输出值可以精确描述为：

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

如果 padding 不为零，那么输入会在两边各隐式地添加 padding 个零值点。

注意

当 ceil_mode=True 时，如果滑动窗口始于左填充区域或输入区域，则允许其超出边界。而那些原本应从右填充区域开始的滑动窗口则会被忽略。

参数 kernel_size、stride 和 padding 可以是：

• 一个单独的 int – 在这种情况下，同一个值会被用来表示高度和宽度。

• 一个包含两个整数的元组，其中第一个整数表示高度，第二个整数表示宽度。

参数

• kernel_size (Union[int, Tuple[int, int]]) – 窗口大小

• stride (Union[int, Tuple[int, int]]) – 窗口的步幅。默认值为 kernel_size

• padding (Union[int, Tuple[int, int]]) – 在输入两侧隐式添加的零填充

• ceil_mode (bool) – 当设置为 True 时，使用 ceil 而不是 floor 来计算输出形状

• count_include_pad (bool) – 是否在平均计算中包含零填充（当为 True 时）

• divisor_override (Optional[int]) – 如果指定了该参数，将用作除数；否则，默认使用池化区域的大小。

形状:

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

• 输出为 $(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$

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

  根据上述说明，如果 ceil_mode 为 True 并且 $(H_{out} - 1) \times \text{stride}[0] \geq H_{in} + \text{padding}[0]$，我们会跳过最后一个窗口，因为它会从底部的填充区域开始，从而导致 $H_{out}$ 减少一个。

  对于$W_{out}$来说也一样。

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)