AvgPool2d

class torch.nn.AvgPool2d(核大小, 步长=None, 填充=0, ceil_mode=False, count_include_pad=True, divisor_override=None)[源代码][源代码] ¶

对由多个输入平面组成的输入信号应用 2D 平均池化。

在最简单的情况下，输入大小为 $(N, C, H, W)$ ，输出为 $(N, C, H_{out}, W_{out})$ 、 kernel_size 和 $(kH, kW)$ 的层的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，则输入将在两侧隐式地填充零，填充 padding 个点。

注意

当 ceil_mode=True 时，滑动窗口允许在左侧填充或输入内开始时超出边界。如果滑动窗口将在右侧填充区域开始，则忽略。

参数 kernel_size 、 stride 、 padding 可以是：

• 单一的 int –在这种情况下，高度和宽度维度使用相同的值

• 两个整数的 tuple –在这种情况下，第一个整数用于高度维度，第二个整数用于宽度维度

参数:

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

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

• padding（联合类型[int, tuple[int, int]]）- 在两侧添加隐式零填充

• ceil_mode（布尔值）- 当为 True 时，将使用向上取整而不是向下取整来计算输出形状

• count_include_pad（布尔值）- 当为 True 时，将包括零填充在平均计算中

• divisor_override（可选[int]）- 如果指定，则用作除数，否则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

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

  如上所述，如果 ceil_mode 为真且 $(H_{out} - 1)\times \text{stride}[0]\geq H_{in} + \text{padding}[0]$ ，我们将跳过最后一个窗口，因为它将开始于底部填充区域，导致 $H_{out}$ 减少 1。

  同样适用于 $W_{out}$ 。

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)