AvgPool2d

class torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)

將 2D 平均池化應用於由多個輸入平面組成的輸入訊號。

在最簡單的情況下，輸入大小為 $(N, C, H, W)$ 的層的輸出值為 $(N, C, H_{out}, W_{out})$ 且 kernel_size $(kH, kW)$ 可以精確地描述為

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

如果 padding 非零，則輸入會在兩側隱式地進行零填充，填充點數為 padding。

注意：

當 ceil_mode=True 時，如果滑動窗口從左側填充區域或輸入內開始，則允許滑動窗口超出邊界。 會忽略從右側填充區域開始的滑動窗口。

參數 kernel_size、stride、padding 可以是：

• 單一 int – 在此情況下，相同的值會用於高度和寬度維度

• 兩個整數的 tuple – 在此情況下，第一個 int 用於高度維度，第二個 int 用於寬度維度

參數

• kernel_size (Union[int, Tuple[int, int]]) – 視窗的大小

• stride (Union[int, Tuple[int, int]]) – 視窗的步幅。預設值為 kernel_size

• padding (Union[int, Tuple[int, int]]) – 要添加到兩側的隱式零填充

• ceil_mode (bool) – 如果為 True，將使用 ceil 而不是 floor 來計算輸出形狀

• count_include_pad (bool) – 如果為 True，將在平均計算中包含零填充

• divisor_override (Optional[int]) – 如果指定，它將用作除數，否則將使用池化區域的大小。

形狀

• 輸入: $(N, C, H_{in}, W_{in})$ or $(C, H_{in}, W_{in})$.

• 輸出： $(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$，其中

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

  如以上所述，如果 ceil_mode 為 True 且 $(H_{out} - 1)\times \text{stride}[0]\geq H_{in} + \text{padding}[0]$, 我們會跳過最後一個視窗，因為它會從底部填充區域開始，導致 $H_{out}$ 減少 1。

  同樣的狀況也適用於 $W_{out}$。

範例

>>> # pool of square window of size=3, stride=2
>>> m = nn.AvgPool2d(3, stride=2)
>>> # pool of non-square window
>>> m = nn.AvgPool2d((3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)