AdaptiveAvgPool2D

paddle.nn.AdaptiveAvgPool2D ( output_size, data_format=’NCHW’, 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2D的自适应平均池化。输入和输出都是4-D Tensor， 默认是以 NCHW 格式表示的，其中 N 是 batch size, C 是通道数, H 是输入特征的高度, H 是输入特征的宽度。

计算公式如下:

AdaptiveAvgPool2D - 图1

参数

  • 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，必须包含两个元素，H和W。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”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): 操作的名称(可选，默认值为None）。更多信息请参见 Name。

形状

  • x (Tensor): 默认形状为（批大小，通道数，高度，宽度），即NCHW格式的4-D Tensor。 其数据类型为float16, float32, float64, int32或int64。

  • output (Tensor): 默认形状为（批大小，通道数，输出特征高度，输出特征宽度），即NCHW格式的4-D Tensor。 其数据类型与输入相同。

返回

计算AdaptiveAvgPool2D的可调用对象

抛出异常

  • ValueError - 如果 data_format 既不是”NCHW”也不是”NHWC”。

代码示例

  1. # adaptive avg pool2d
  2. # suppose input data in shape of [N, C, H, W], `output_size` is [m, n],
  3. # output shape is [N, C, m, n], adaptive pool divide H and W dimensions
  4. # of input data into m * n grids averagely and performs poolings in each
  5. # grid to get output.
  6. # adaptive avg pool performs calculations as follow:
  7. #
  8. #     for i in range(m):
  9. #         for j in range(n):
  10. #             hstart = floor(i * H / m)
  11. #             hend = ceil((i + 1) * H / m)
  12. #             wstart = floor(i * W / n)
  13. #             wend = ceil((i + 1) * W / n)
  14. #             output[:, :, i, j] = avg(input[:, :, hstart: hend, wstart: wend])
  15. #
  16. import paddle
  17. import numpy as np
  18. input_data = np.random.rand(2, 3, 32, 32)
  19. x = paddle.to_tensor(input_data)
  20. # x.shape is [2, 3, 32, 32]
  21. adaptive_avg_pool = paddle.nn.AdaptiveAvgPool2D(output_size=3)
  22. pool_out = adaptive_avg_pool(x = x)
  23. # pool_out.shape is [2, 3, 3, 3]