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2D平均池化。

在最简单的情况下，输入尺寸为 $(N, C, H, W)$ 的层的输出值，输出 $(N, C, H_{out}, W_{out})$ 和 kernel_size $(kH, kW)$ 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，则输入会在两侧隐式地进行零填充，填充的点数为 padding 的数量。

注意

当 ceil_mode=True 时，滑动窗口允许超出边界，如果它们从左填充或输入区域内开始。从右填充区域开始的滑动窗口将被忽略。

参数 kernel_size, stride, padding 可以是：

• 一个单独的 int – 在这种情况下，高度和宽度维度使用相同的值

• 一个包含两个整数的元组 – 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

Parameters

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

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

• 填充 (联合[整数, 元组[整数, 整数]]) – 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来计算输出形状

• count_include_pad (bool) – 当为True时，将在平均计算中包括零填充

• divisor_override (可选[整数]) – 如果指定，它将用作除数，否则将使用池化区域的大小。

Shape:

• 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

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

  根据上面的注释，如果 ceil_mode 为 True 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，因为它将在底部的填充区域开始， 导致 $H_{out}$ 减少一。

  同样适用于$W_{out}$。

示例：

>>> # 大小为3，步幅为2的方形窗口池化
>>> m = nn.AvgPool2d(3, stride=2)
>>> # 非方形窗口池化
>>> m = nn.AvgPool2d((3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)