平均池化

平均池化 - 22

版本

  • 名称: 平均池化 (GitHub)

  • 域: main

  • 自版本: 22

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自版本 22起可用。

摘要

平均池化使用输入张量 X，并根据内核大小、步长大小和填充长度对张量应用平均池化。平均池化包括根据内核大小计算输入张量子集的所有值的平均值，并将数据下采样到输出张量 Y 中以进行进一步处理。输出空间形状的计算方式根据是否使用显式填充（使用填充）或自动填充（使用 auto_pad）而有所不同。使用显式填充(https://pytorch.ac.cn/docs/stable/generated/torch.nn.MaxPool2d.html?highlight=maxpool#torch.nn.MaxPool2d)

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

如果启用了 ceil_mode。pad_shape[i] 是沿轴 i 的填充总和。将忽略在右侧填充区域开始的滑动窗口。

auto_pad 是一个已弃用的属性。如果您当前正在使用它们，则在启用 ceil_mode 时，输出空间形状将如下所示

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

或在禁用 ceil_mode 时(https://tensorflowcn.cn/api_docs/python/tf/keras/layers/AveragePooling2D)

VALID: output_spatial_shape[i] = floor((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i]) + 1
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = floor((input_spatial_shape[i] - 1) / strides_spatial_shape[i]) + 1

如果 SAME_UPPER 或 SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每个池化窗口的输出除以元素数量（当属性 count_include_pad 为零时，排除填充）。

属性

  • auto_pad - 字符串（默认为 'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便 output_shape[i] = ceil(input_shape[i] / strides[i]) 对于每个轴 i。填充在两侧平均分配或几乎平均分配（取决于它是偶数还是奇数）。如果填充是奇数，则对于 SAME_UPPER，额外的填充添加到末尾，对于 SAME_LOWER，添加到开头。

  • ceil_mode - 整数（默认为 '0'）

    是否使用 ceil 或 floor（默认值）来计算输出形状。

  • count_include_pad - 整数（默认为 '0'）

    计算边缘值时是否包含填充像素。默认为 0，不计入填充。

  • dilations - 整数列表 :

    滤波器沿每个空间轴的扩张值。如果不存在，则每个空间轴的扩张默认为 1。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于 0 的值。该值表示添加到对应轴的开头和结尾部分的像素数。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…], 其中 xi_begin 是添加到轴 i 开头的像素数，xi_end 是添加到轴 i 末尾的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为 0。

  • strides - 整数列表 :

    沿每个空间轴的步长。如果不存在，则每个空间轴的步长默认为 1。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的​​高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示到达。

输出

  • Y（异构） - T

    来自输入张量上的平均或最大池化的输出数据张量。维度将根据各种内核、步长和填充大小而有所不同。使用维度的下限值

类型约束

  • T 在 ( tensor(bfloat16), tensor(double), tensor(float), tensor(float16) ) 中

    将输入和输出类型约束为浮点张量。

平均池化 - 19

版本

  • 名称: 平均池化 (GitHub)

  • 域: main

  • since_version: 19

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 19起可用。

摘要

平均池化使用输入张量 X，并根据内核大小、步长大小和填充长度对张量应用平均池化。平均池化包括根据内核大小计算输入张量子集的所有值的平均值，并将数据下采样到输出张量 Y 中以进行进一步处理。输出空间形状的计算方式根据是否使用显式填充（使用填充）或自动填充（使用 auto_pad）而有所不同。使用显式填充(https://pytorch.ac.cn/docs/stable/generated/torch.nn.MaxPool2d.html?highlight=maxpool#torch.nn.MaxPool2d)

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - dilation[i] * (kernel_shape[i] - 1) - 1) / strides_spatial_shape[i] + 1)

如果启用 ceil_mode。 pad_shape[i] 是沿轴 i 的填充总和。

auto_pad 是一个已弃用的属性。如果您当前正在使用它们，则在启用 ceil_mode 时，输出空间形状将如下所示

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

或在禁用 ceil_mode 时(https://tensorflowcn.cn/api_docs/python/tf/keras/layers/AveragePooling2D)

VALID: output_spatial_shape[i] = floor((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i]) + 1
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = floor((input_spatial_shape[i] - 1) / strides_spatial_shape[i]) + 1

如果 SAME_UPPER 或 SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每个池化窗口的输出除以元素数量（当属性 count_include_pad 为零时，排除填充）。

属性

  • auto_pad - 字符串（默认为 'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便 output_shape[i] = ceil(input_shape[i] / strides[i]) 对于每个轴 i。填充在两侧平均分配或几乎平均分配（取决于它是偶数还是奇数）。如果填充是奇数，则对于 SAME_UPPER，额外的填充添加到末尾，对于 SAME_LOWER，添加到开头。

  • ceil_mode - 整数（默认为 '0'）

    是否使用 ceil 或 floor（默认值）来计算输出形状。

  • count_include_pad - 整数（默认为 '0'）

    计算边缘值时是否包含填充像素。默认为 0，不计入填充。

  • dilations - 整数列表 :

    滤波器沿每个空间轴的扩张值。如果不存在，则每个空间轴的扩张默认为 1。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于 0 的值。该值表示添加到对应轴的开头和结尾部分的像素数。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…], 其中 xi_begin 是添加到轴 i 开头的像素数，xi_end 是添加到轴 i 末尾的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为 0。

  • strides - 整数列表 :

    沿每个空间轴的步长。如果不存在，则每个空间轴的步长默认为 1。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的​​高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示到达。

输出

  • Y（异构） - T

    来自输入张量上的平均或最大池化的输出数据张量。维度将根据各种内核、步长和填充大小而有所不同。使用维度的下限值

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

平均池化 - 11

版本

  • 名称: 平均池化 (GitHub)

  • 域: main

  • since_version: 11

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 11起可用。

摘要

平均池化接收一个输入张量 X，并根据内核大小、步长大小和填充长度对张量应用平均池化。平均池化包括根据内核大小计算输入张量子集的所有值的平均值，并将数据下采样到输出张量 Y 中以进行进一步处理。输出空间形状将遵循

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1)) / strides_spatial_shape[i] + 1)

如果启用 ceil_mode

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您当前正在使用它们，则在启用 ceil_mode 时，输出空间形状将如下所示

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

或在禁用 ceil_mode 时

VALID: output_spatial_shape[i] = floor((input_spatial_shape[i] - ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = floor(input_spatial_shape[i] / strides_spatial_shape[i])

如果 SAME_UPPER 或 SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每个池化窗口的输出除以元素数量（当属性 count_include_pad 为零时，排除填充）。

属性

  • auto_pad - 字符串（默认为 'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便 output_shape[i] = ceil(input_shape[i] / strides[i]) 对于每个轴 i。填充在两侧平均分配或几乎平均分配（取决于它是偶数还是奇数）。如果填充是奇数，则对于 SAME_UPPER，额外的填充添加到末尾，对于 SAME_LOWER，添加到开头。

  • ceil_mode - 整数（默认为 '0'）

    是否使用 ceil 或 floor（默认值）来计算输出形状。

  • count_include_pad - 整数（默认为 '0'）

    计算边缘值时是否包含填充像素。默认为 0，不计入填充。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于 0 的值。该值表示添加到对应轴的开头和结尾部分的像素数。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…], 其中 xi_begin 是添加到轴 i 开头的像素数，xi_end 是添加到轴 i 末尾的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为 0。

  • strides - 整数列表 :

    沿每个空间轴的步长。如果不存在，则每个空间轴的步长默认为 1。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的​​高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示到达。

输出

  • Y（异构） - T

    来自输入张量上的平均或最大池化的输出数据张量。维度将根据各种内核、步长和填充大小而有所不同。使用维度的下限值

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

平均池化 - 10

版本

  • 名称: 平均池化 (GitHub)

  • 域: main

  • since_version: 10

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 10起可用。

摘要

平均池化接收一个输入张量 X，并根据内核大小、步长大小和填充长度对张量应用平均池化。平均池化包括根据内核大小计算输入张量子集的所有值的平均值，并将数据下采样到输出张量 Y 中以进行进一步处理。输出空间形状将遵循

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - kernel_spatial_shape[i]) / strides_spatial_shape[i] + 1)

或

output_spatial_shape[i] = ceil((input_spatial_shape[i] + pad_shape[i] - kernel_spatial_shape[i]) / strides_spatial_shape[i] + 1)

如果启用 ceil_mode

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您目前正在使用它们，则输出空间形状将遵循

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - kernel_spatial_shape[i] + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

如果 SAME_UPPER 或 SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每个池化窗口的输出除以元素数量（当属性 count_include_pad 为零时，排除填充）。

属性

  • auto_pad - 字符串（默认为 'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便输出空间大小与input.In 在奇数情况下，对于 SAME_UPPER，在末尾添加额外的填充，对于 SAME_LOWER，在开头添加额外的填充。VALID 表示不填充。

  • ceil_mode - 整数（默认为 '0'）

    是否使用 ceil 或 floor（默认值）来计算输出形状。

  • count_include_pad - 整数（默认为 '0'）

    计算边缘值时是否包含填充像素。默认为 0，不计入填充。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于 0 的值。该值表示添加到对应轴的开头和结尾部分的像素数。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…], 其中 xi_begin 是添加到轴 i 开头的像素数，xi_end 是添加到轴 i 末尾的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为 0。

  • strides - 整数列表 :

    沿每个空间轴的步长。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的​​高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示到达。

输出

  • Y（异构） - T

    来自输入张量上的平均或最大池化的输出数据张量。维度将根据各种内核、步长和填充大小而有所不同。使用维度的下限值

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

平均池化 - 7

版本

  • 名称: 平均池化 (GitHub)

  • 域: main

  • since_version: 7

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 7起可用。

摘要

平均池化接收一个输入张量 X，并根据内核大小、步长大小和填充长度对张量应用平均池化。平均池化包括根据内核大小计算输入张量子集的所有值的平均值，并将数据下采样到输出张量 Y 中以进行进一步处理。输出空间形状将遵循

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - kernel_spatial_shape[i]) / strides_spatial_shape[i] + 1)

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您目前正在使用它们，则输出空间形状将遵循

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - kernel_spatial_shape[i] + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

如果 SAME_UPPER 或 SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每个池化窗口的输出除以元素数量（当属性 count_include_pad 为零时，排除填充）。

属性

  • auto_pad - 字符串（默认为 'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便输出空间大小与input.In 在奇数情况下，对于 SAME_UPPER，在末尾添加额外的填充，对于 SAME_LOWER，在开头添加额外的填充。VALID 表示不填充。

  • count_include_pad - 整数（默认为 '0'）

    计算边缘值时是否包含填充像素。默认为 0，不计入填充。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于 0 的值。该值表示添加到对应轴的开头和结尾部分的像素数。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…], 其中 xi_begin 是添加到轴 i 开头的像素数，xi_end 是添加到轴 i 末尾的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为 0。

  • strides - 整数列表 :

    沿每个空间轴的步长。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的​​高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示到达。

输出

  • Y（异构） - T

    来自输入张量上的平均或最大池化的输出数据张量。维度将根据各种内核、步长和填充大小而有所不同。使用维度的下限值

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

平均池化 - 1

版本

  • 名称: 平均池化 (GitHub)

  • 域: main

  • since_version: 1

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 1起可用。

摘要

平均池化接收一个输入张量 X，并根据内核大小、步长大小和填充长度对张量应用平均池化。平均池化包括根据内核大小计算输入张量子集的所有值的平均值，并将数据下采样到输出张量 Y 中以进行进一步处理。输出空间形状将遵循

output_spatial_shape[i] = floor((input_spatial_shape[i] + pad_shape[i] - kernel_spatial_shape[i]) / strides_spatial_shape[i] + 1)

* pad_shape[i] is sum of pads along axis i

auto_pad 是一个已弃用的属性。如果您目前正在使用它们，则输出空间形状将遵循

VALID: output_spatial_shape[i] = ceil((input_spatial_shape[i] - kernel_spatial_shape[i] + 1) / strides_spatial_shape[i])
SAME_UPPER or SAME_LOWER: output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides_spatial_shape[i])

如果 SAME_UPPER 或 SAME_LOWER，则填充形状将如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每个池化窗口的输出除以元素数量（不包括填充）。

属性

  • auto_pad - 字符串（默认为 'NOTSET'）

    auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 之一。其中默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，以便输出空间大小与input.In 在奇数情况下，对于 SAME_UPPER，在末尾添加额外的填充，对于 SAME_LOWER，在开头添加额外的填充。VALID 表示不填充。

  • kernel_shape - 整数列表（必需）

    每个轴上内核的大小。

  • pads - 整数列表 :

    沿每个空间轴的开头和结尾的填充，它可以取任何大于或等于 0 的值。该值表示添加到对应轴的开头和结尾部分的像素数。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…], 其中 xi_begin 是添加到轴 i 开头的像素数，xi_end 是添加到轴 i 末尾的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在，则每个空间轴的开头和结尾的填充默认为 0。

  • strides - 整数列表 :

    沿每个空间轴的步长。

输入

  • X（异构） - T

    来自先前运算符的输入数据张量；图像情况下的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的​​高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。或者，如果维度表示有效，则操作期望输入数据张量以 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示到达。

输出

  • Y（异构） - T

    来自输入张量上的平均或最大池化的输出数据张量。维度将根据各种内核、步长和填充大小而有所不同。使用维度的下限值

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。