评价此页

AvgPool2d#

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

对输入信号应用二维平均池化,该信号由多个输入平面组成。

在最简单的情况下,具有输入尺寸 (N,C,H,W)(N, C, H, W)kernel_size (kH,kW)(kH, kW) 的输出值 (N,C,Hout,Wout)(N, C, H_{out}, W_{out}) 可由以下方式精确描述:

out(Ni,Cj,h,w)=1kHkWm=0kH1n=0kW1input(Ni,Cj,stride[0]×h+m,stride[1]×w+n)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,则输入在两侧隐含地用 padding 个点进行零填充。

注意

当 ceil_mode=True 时,如果滑动窗口从左侧填充或输入开始,则允许它们超出边界。从右侧填充区域开始的滑动窗口将被忽略。

注意

padding 最多应该是有效核大小的一半。

参数 kernel_sizestridepadding 可以是:

  • 单个 int 或单个元素的元组——在这种情况下,高度和宽度维度使用相同的值。

  • 两个 int 的 tuple – 在这种情况下,第一个 int 用于高度维度,第二个 int 用于宽度维度

参数
  • kernel_size (Union[int, tuple[int, int]]) – 窗口大小。

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

  • padding (Union[int, tuple[int, int]]) – 要添加到两侧的隐式零填充。

  • ceil_mode (bool) – 如果为 True,则在计算输出形状时使用 ceil 而不是 floor

  • count_include_pad (bool) – 如果为 True,则在平均计算中包含零填充。

  • divisor_override (Optional[int]) – 如果指定,则用它作为除数,否则使用池化区域的大小。

形状
  • 输入:(N,C,Hin,Win)(N, C, H_{in}, W_{in})(C,Hin,Win)(C, H_{in}, W_{in})

  • 输出:(N,C,Hout,Wout)(N, C, H_{out}, W_{out})(C,Hout,Wout)(C, H_{out}, W_{out}),其中

    Hout=Hin+2×padding[0]kernel_size[0]stride[0]+1H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[0] - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor
    Wout=Win+2×padding[1]kernel_size[1]stride[1]+1W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[1] - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor

    如上所述,如果 ceil_mode 为 True 且 (Hout1)×stride[0]Hin+padding[0](H_{out} - 1)\times \text{stride}[0]\geq H_{in} + \text{padding}[0], 我们将跳过最后一个窗口,因为它将从底部填充区域开始,导致 HoutH_{out} 减少一。

    对于 WoutW_{out},情况也相同。

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)