AvgPool2d

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

Применяет 2D усреднение по пулам к входному сигналу, составленному из нескольких входных плоскостей.

В простейшем случае выходное значение слоя с размером входа $(N, C, H, W)$, выходом $(N, C, H_{out}, W_{out})$ и kernel_size $(kH, kW)$ может быть точно описано 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 по обеим сторонам на padding количество точек.

Примечание

Когда ceil_mode=True, скользящие окна разрешается выходить за границы, если они начинаются внутри левого заполнения или входных данных. Скользящие окна, которые начинались бы в правой заполненной области, игнорируются.

Параметры kernel_size, stride, padding могут быть:

• одним 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 измерения высоты, а второе int для измерения ширины;

Параметры

• kernel_size (Union[int, Tuple[int, int]]) – размер окна
• stride (Union[int, Tuple[int, int]]) – шаг окна. Значение по умолчанию kernel_size
• padding (Union[int, Tuple[int, int]]) – неявное заполнение нулями, добавляемое по обеим сторонам
• ceil_mode (bool) – если True, будет использовать ceil вместо floor для вычисления формы вывода
• count_include_pad (bool) – если True, включает нулевое заполнение в вычисление среднего
• divisor_override (Optional[int]) – если указано, оно будет использоваться в качестве делителя, в противном случае размер области пула будет использоваться.

Форма:

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

• Вывод: $(N, C, H_{out}, W_{out})$ 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)