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：\(\left ( N,C,H_{in},W_{in} \right )\)
- 属性：
-
kernel_size: \(ksize\) stride: \(stride\)
- 输出：
-
Out 形状：\(\left ( N,C,H_{out},W_{out} \right )\)
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，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。
返回¶
4-D Tensor，数据类型与输入 x 一致。
代码示例¶
import paddle
import paddle.nn.functional as F
# avg pool2d
x = paddle.uniform([1, 3, 32, 32], paddle.float32)
out = F.avg_pool2d(x,
kernel_size=2,
stride=2, padding=0)
# out.shape [1, 3, 16, 16]