AvgPool2d

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

Применяет 2D усредняющее пулинговое преобразование к входному сигналу, состоящему из нескольких входных плоскостей.

В самом простом случае, значение выходного слоя с размером входа $(N, C, H, W)$, выход $(N, C, H_{out}, W_{out})$ и kernel_size $(kH, kW)$ могут быть точно описаны как:

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

Если padding не равно нулю, то вход неявно заполняется нулями с обеих сторон на padding точек.

Примечание

Когда ceil_mode=True, сдвиговые окна разрешается выходить за пределы, если они начинаются внутри левой области заполнения или входных данных. Сдвиговые окна, которые начинались бы в правой области заполнения, игнорируются.

Параметры kernel_size, stride, padding могут быть:

• единственным int – в этом случае одно и то же значение используется для высоты и ширины
• кортежем из двух целых чисел – в этом случае первое int используется для высоты, а второе int для ширины

Параметры:

• kernel_size (Union[int, Tuple[int, int]]) – размер окна
• stride (Union[int, Tuple[int, int]]) – шаг окна. Значение по умолчанию равно kernel_size
• padding (Union[int, Tuple[int, int]]) – неявное заполнение нулями с обеих сторон
• ceil_mode (bool) – если True, используется ceil вместо floor для вычисления размера выходных данных
• count_include_pad (bool) – если True, будут учитываться нули-заполнения в вычислении среднего значения
• divisor_override (Optional[int]) – если указано, используется в качестве делителя, в противном случае используется размер области пулинга.

Форма:

• Вход: $(N, C, H_{in}, W_{in})$ или $(C, H_{in}, W_{in})$.

• Выход: $(N, C, H_{out}, W_{out})$ или $(C, H_{out}, W_{out})$, где

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

Примеры:

>>> # 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)