AvgPool2d

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

对由多个输入平面组成的输入信号应用二维平均池化。

在最简单的情况下，输入尺寸为 $(N, C, H, W)$，输出为 $(N, C, H_{out}, W_{out})$ 并且 kernel_size 为 $(kH, kW)$ 的层，其输出值可以精确地描述为：

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

如果 padding 非零，则会在输入的两侧隐式地进行零填充，填充点数为 padding。

注意

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

参数 kernel_size、stride、padding 可以是：

• 单个 int 值 – 此时该值将用于高度和宽度维度

• 包含两个 int 值的 tuple – 此时，第一个 int 值用于高度维度，第二个 int 值用于宽度维度

参数

• kernel_size (Union[int, tuple[int, int]]) – 窗口的大小

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

• padding (Union[int, tuple[int, int]]) – 在两侧添加的隐式零填充

• ceil_mode (bool) – 当为 True 时，将使用 ceil 而不是 floor 计算输出形状

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

• divisor_override (Optional[int]) – 如果指定，将用作除数，否则将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: $(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$，其中

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

  根据上方的说明，如果 ceil_mode 为 True 且 $(H_{out} - 1)\times \text{stride}[0]\geq H_{in} + \text{padding}[0]$，我们跳过最后一个窗口，因为它将从底部填充区域开始，导致 $H_{out}$ 减一。

  对于 $W_{out}$ 也同样适用。

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)