avg_pool2d

paddle.nn.functional. avg_pool2d ( x, kernel_size, stride=None, padding=0, ceil_mode=False, exclusive=True, divisor_override=None, data_format='NCHW', name=None ) [源代码]

该函数是一个二维平均池化函数,其将构建一个二维平均池化层,根据输入参数 kernel_size, stride, padding 等参数对输入做平均池化操作。

例如:

输入:

X 形状:\(\left ( N,C,H_{in},W_{in} \right )\)

属性:

kernel_size: \(ksize\) stride: \(stride\)

输出:

Out 形状:\(\left ( N,C,H_{out},W_{out} \right )\)

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

参数

  • x (Tensor):形状为 [N,C,H,W][N,H,W,C] 的 4-D Tensor,N 是批尺寸,C 是通道数,H 是特征高度,W 是特征宽度,数据类型为 float32 或 float64。

  • kernel_size (int|list|tuple):池化核大小。如果它是一个元组或列表,它必须包含两个整数值,(pool_size_Height, pool_size_Width)。若为一个整数,则它的平方值将作为池化核大小,比如若 pool_size=2,则池化核大小为 2x2。

  • stride (int|list|tuple):池化层的步长。如果它是一个元组或列表,它将包含两个整数,(pool_stride_Height, pool_stride_Width)。若为一个整数,则表示 H 和 W 维度上 stride 均为该值。默认值为 kernel_size。

  • padding (string|int|list|tuple) 池化填充。如果它是一个字符串,可以是"VALID"或者"SAME",表示填充算法,计算细节可参考上述 pool_padding = "SAME"或 pool_padding = "VALID" 时的计算公式。如果它是一个元组或列表,它可以有 3 种格式:(1)包含 2 个整数值:[pad_height, pad_width];(2)包含 4 个整数值:[pad_height_top, pad_height_bottom, pad_width_left, pad_width_right];(3)包含 4 个二元组:当 data_format 为"NCHW"时为 [[0,0], [0,0], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right]],当 data_format 为"NHWC"时为[[0,0], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right], [0,0]]。若为一个整数,则表示 H 和 W 维度上均为该值。默认值:0。

  • ceil_mode (bool):是否用 ceil 函数计算输出高度和宽度。如果是 True,则使用 ceil 计算输出形状的大小。默认为 None

  • exclusive (bool):是否在平均池化模式忽略填充值,默认是 True

  • divisor_override (int|float):如果指定,它将用作除数,否则根据`kernel_size`计算除数。默认`None`。

  • data_format (str):输入和输出的数据格式,可以是"NCHW"和"NHWC"。N 是批尺寸,C 是通道数,H 是特征高度,W 是特征宽度。默认值:"NCHW"

  • name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。

返回

4-D Tensor,数据类型与输入 x 一致。

代码示例

import paddle
import paddle.nn.functional as F

# avg pool2d
x = paddle.uniform([1, 3, 32, 32], paddle.float32)
out = F.avg_pool2d(x,
                kernel_size=2,
                stride=2, padding=0)
# out.shape [1, 3, 16, 16]

使用本API的教程文档