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:

avg_pool2d - 图1

属性:

kernel_size:

avg_pool2d - 图2

stride:

avg_pool2d - 图3

输出:

Out 形状:

avg_pool2d - 图4

avg_pool2d - 图5

参数

  • x (Tensor):形状为 [N,C,H,W] 或 [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):函数的名字,默认为None.

返回

4-D Tensor,数据类型与输入 x 一致。

代码示例

  1. import paddle
  2. import paddle.nn.functional as F
  3. # avg pool2d
  4. input = paddle.uniform(shape=[1, 2, 32, 32], dtype='float32', min=-1, max=1)
  5. output = F.avg_pool2d(input,
  6. kernel_size=2,
  7. stride=2, padding=0)
  8. # output.shape [1, 3, 16, 16]