AvgPool2d

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

Применяет двумерное усредняющее пулинг-преобразование к входному сигналу, состоящему из нескольких входных плоскостей.

В простейшем случае выходное значение слоя с размером входных данных $(N, C, H, W)$, размером выходных данных $(N, C, H_{out}, W_{out})$ и kernel_size $(kH, kW)$ можно точно описать следующим образом:

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

Если padding не равно нулю, входные данные неявно дополняются нулями с обеих сторон на padding точек.

Примечание

Если ceil_mode=True, скользящие окна могут выходить за границы, если они начинаются внутри левого дополнения или входных данных. Скользящие окна, которые начинались бы в области дополнения справа, игнорируются.

Примечание

Значение pad должно быть не больше половины эффективного размера ядра.

Параметры kernel_size, stride, padding могут задаваться следующим образом:

• одним int или кортежем из одного элемента — в этом случае одно и то же значение используется для измерений высоты и ширины
• tuple из двух целых чисел — в этом случае первое int используется для измерения высоты, а второе int — для измерения ширины

Параметры:

• kernel_size (int | tuple[int, int]) – размер окна
• stride (int | tuple[int, int]) – шаг окна. Значение по умолчанию — kernel_size
• padding (int | tuple[int, int]) – неявное дополнение нулями, добавляемое с обеих сторон
• ceil_mode (bool) – если True, для вычисления формы выходных данных используется ceil вместо floor
• count_include_pad (bool) – если True, дополнение нулями учитывается при вычислении среднего значения
• divisor_override (int | None) – если задано, используется в качестве делителя; в противном случае используется размер области пулинга.

Форма:

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

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

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

  Согласно примечанию выше, если ceil_mode равно True и $(H_{out} - 1)\times \text{stride}[0]\geq H_{in} + \text{padding}[0]$, последнее окно пропускается, поскольку оно начиналось бы в нижней области дополнения, в результате чего значение $H_{out}$ уменьшается на единицу.

  То же самое справедливо для $W_{out}$.

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)

forward(input) [source]

Выполняет прямой проход.

Тип возвращаемого значения:

Tensor