Python torch.nn.AvgPool2d用法及代码示例

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

参数：

kernel_size-窗口的大小
stride-窗口的步幅。默认值为kernel_size
padding-要在两侧添加隐式零填充
ceil_mode-当为 True 时，将使用 ceil 而不是 floor 来计算输出形状
count_include_pad-当为 True 时，将在平均计算中包括零填充
divisor_override-如果指定，它将用作除数，否则将使用池化区域的大小。

在由多个输入平面组成的输入信号上应用 2D 平均池化。

在最简单的情况下，输入大小为 (N, C, H, W) 、输出 (N, C, H_{out}, W_{out}) 和 kernel_size (kH, kW) 的层的输出值可以精确地说明为：

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，则输入在 padding 点数的两侧隐式补零。

注意

当ceil_mode=True 时，如果滑动窗口在左侧填充或输入内开始，则允许滑动窗口越界。将在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 - 在这种情况下，高度和宽度尺寸使用相同的值
两个整数的 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

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

例子：

>>> # 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)

相关用法

注：本文由纯净天空筛选整理自pytorch.org大神的英文原创作品 torch.nn.AvgPool2d。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。