adaptive_avg_pool3d

paddle.nn.functional.adaptive_avg_pool3d ( x, output_size, data_format=’NCDHW’, name=None ) [源代码]

该算子根据输入 x , output_size 等参数对一个输入Tensor计算3D的自适应平均池化。输入和输出都是5-D Tensor， 默认是以 NCDHW 格式表示的，其中 N 是 batch size, C 是通道数, D 是特征图长度, H 是输入特征的高度, H 是输入特征的宽度。

计算公式如下:

参数

• x (Tensor): 默认形状为（批大小，通道数，长度，高度，宽度），即NCDHW格式的5-D Tensor。 其数据类型为float16, float32, float64, int32或int64.

• output_size (int|list|turple): 算子输出特征图的尺寸，如果其是list或turple类型的数值，必须包含三个元素，D，H和W。D，H和W既可以是int类型值也可以是None，None表示与输入特征尺寸相同。

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

• name (str，可选): 操作的名称(可选，默认值为None）。更多信息请参见 Name。

返回

Tensor, 默认形状为（批大小，通道数，输出特征长度，输出特征高度，输出特征宽度），即NCDHW格式的5-D Tensor，其数据类型与输入相同。

抛出异常

• ValueError - 如果 data_format 既不是”NCDHW”也不是”NDHWC”。

代码示例

# adaptive avg pool3d
# suppose input data in shape of [N, C, D, H, W], `output_size` is [l, m, n],
# output shape is [N, C, l, m, n], adaptive pool divide D, H and W dimensions
# of input data into l * m * n grids averagely and performs poolings in each
# grid to get output.
# adaptive avg pool performs calculations as follow:
#
#     for i in range(l):
#         for j in range(m):
#             for k in range(n):
#                 dstart = floor(i * D / l)
#                 dend = ceil((i + 1) * D / l)
#                 hstart = floor(j * H / m)
#                 hend = ceil((j + 1) * H / m)
#                 wstart = floor(k * W / n)
#                 wend = ceil((k + 1) * W / n)
#                 output[:, :, i, j, k] =
#                     avg(input[:, :, dstart:dend, hstart: hend, wstart: wend])
import paddle
import numpy as np
input_data = np.random.rand(2, 3, 8, 32, 32)
x = paddle.to_tensor(input_data)
# x.shape is [2, 3, 8, 32, 32]
pool_out = paddle.nn.functional.adaptive_avg_pool3d(
                x = x,
                output_size=[3, 3, 3])
# pool_out.shape is [2, 3, 3, 3, 3]