AveragePool

AveragePool - 22

版本

  • 名称: AveragePool (GitHub)

  • 域: main

  • 起始版本: 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

AveragePool 消耗一个输入张量 X，并根据核大小、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 中进行进一步处理。输出空间形状的计算方式不同，具体取决于是否使用显式填充（使用 pads）或自动填充（使用 auto_pad）。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。将忽略从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。默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 意味着填充输入，使得每个轴 i 的 output_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均或几乎平均（取决于它是偶数还是奇数）地分配。如果填充是奇数，则对于 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。

  • ceil_mode - INT (默认值为 '0')

    是否使用 ceil 或 floor (默认) 计算输出形状。

  • count_include_pad - INT (默认值为 '0')

    在计算边缘值时是否包含填充像素。默认值为 0，不计算包含填充。

  • dilations - 整数 :

    过滤器沿每个空间轴的膨胀值。如果不存在，膨胀默认为沿每个空间轴的 1。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿每个空间轴的开始和结束部分的填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数量。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 开始部分的像素数量，xi_end 是添加到轴 i 结束部分的像素数量。此属性不能与 auto_pad 属性同时使用。如果不存在，填充默认为沿每个空间轴的开始和结束部分的 0。

  • strides - 整数 :

    沿每个空间轴的步长。如果不存在，步长默认为沿每个空间轴的 1。

输入

  • X (异构) - T

    来自前一个操作符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批大小。可选地，如果维度表示生效，则操作要求输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

输出

  • Y (异构) - T

    平均或最大池化后从输入张量获得的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的向下取整值

类型约束

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

    将输入和输出类型限制为浮点张量。

AveragePool - 19

版本

  • 名称: AveragePool (GitHub)

  • 域: main

  • since_version: 19

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符自 版本 19 起可用。

摘要

AveragePool 消耗一个输入张量 X，并根据核大小、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 中进行进一步处理。输出空间形状的计算方式不同，具体取决于是否使用显式填充（使用 pads）或自动填充（使用 auto_pad）。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。

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。默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 意味着填充输入，使得每个轴 i 的 output_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均或几乎平均（取决于它是偶数还是奇数）地分配。如果填充是奇数，则对于 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。

  • ceil_mode - INT (默认值为 '0')

    是否使用 ceil 或 floor (默认) 计算输出形状。

  • count_include_pad - INT (默认值为 '0')

    在计算边缘值时是否包含填充像素。默认值为 0，不计算包含填充。

  • dilations - 整数 :

    过滤器沿每个空间轴的膨胀值。如果不存在，膨胀默认为沿每个空间轴的 1。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿每个空间轴的开始和结束部分的填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数量。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 开始部分的像素数量，xi_end 是添加到轴 i 结束部分的像素数量。此属性不能与 auto_pad 属性同时使用。如果不存在，填充默认为沿每个空间轴的开始和结束部分的 0。

  • strides - 整数 :

    沿每个空间轴的步长。如果不存在，步长默认为沿每个空间轴的 1。

输入

  • X (异构) - T

    来自前一个操作符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批大小。可选地，如果维度表示生效，则操作要求输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

输出

  • Y (异构) - T

    平均或最大池化后从输入张量获得的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的向下取整值

类型约束

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

    将输入和输出类型限制为浮点张量。

AveragePool - 11

版本

  • 名称: AveragePool (GitHub)

  • 域: main

  • 起始版本: 11

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 11 起可用。

摘要

AveragePool 消耗一个输入张量 X，并根据核大小、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 中进行进一步处理。输出空间形状将如下所示

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)

如果启用了 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。默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 意味着填充输入，使得每个轴 i 的 output_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均或几乎平均（取决于它是偶数还是奇数）地分配。如果填充是奇数，则对于 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。

  • ceil_mode - INT (默认值为 '0')

    是否使用 ceil 或 floor (默认) 计算输出形状。

  • count_include_pad - INT (默认值为 '0')

    在计算边缘值时是否包含填充像素。默认值为 0，不计算包含填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿每个空间轴的开始和结束部分的填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数量。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 开始部分的像素数量，xi_end 是添加到轴 i 结束部分的像素数量。此属性不能与 auto_pad 属性同时使用。如果不存在，填充默认为沿每个空间轴的开始和结束部分的 0。

  • strides - 整数 :

    沿每个空间轴的步长。如果不存在，步长默认为沿每个空间轴的 1。

输入

  • X (异构) - T

    来自前一个操作符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批大小。可选地，如果维度表示生效，则操作要求输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

输出

  • Y (异构) - T

    平均或最大池化后从输入张量获得的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的向下取整值

类型约束

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

    将输入和输出类型限制为浮点张量。

AveragePool - 10

版本

  • 名称: AveragePool (GitHub)

  • 域: main

  • since_version: 10

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符已在 版本 10 中提供。

摘要

AveragePool 消耗一个输入张量 X，并根据核大小、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 中进行进一步处理。输出空间形状将如下所示

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)

如果启用了 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) / 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。默认值为 NOTSET，表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，使输出空间大小与输入匹配。如果是奇数，SAME_UPPER 在末尾添加额外的填充，SAME_LOWER 在开头添加额外的填充。VALID 表示无填充。

  • ceil_mode - INT (默认值为 '0')

    是否使用 ceil 或 floor (默认) 计算输出形状。

  • count_include_pad - INT (默认值为 '0')

    在计算边缘值时是否包含填充像素。默认值为 0，不计算包含填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿每个空间轴的开始和结束部分的填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数量。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 开始部分的像素数量，xi_end 是添加到轴 i 结束部分的像素数量。此属性不能与 auto_pad 属性同时使用。如果不存在，填充默认为沿每个空间轴的开始和结束部分的 0。

  • strides - 整数 :

    沿每个空间轴的步幅。

输入

  • X (异构) - T

    来自前一个操作符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批大小。可选地，如果维度表示生效，则操作要求输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

输出

  • Y (异构) - T

    平均或最大池化后从输入张量获得的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的向下取整值

类型约束

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

    将输入和输出类型限制为浮点张量。

AveragePool - 7

版本

  • 名称: AveragePool (GitHub)

  • 域: main

  • 起始版本: 7

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符自版本 7 起可用。

摘要

AveragePool 消耗一个输入张量 X，并根据核大小、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 中进行进一步处理。输出空间形状将如下所示

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。如果您当前正在使用它们，则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) / 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。默认值为 NOTSET，表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，使输出空间大小与输入匹配。如果是奇数，SAME_UPPER 在末尾添加额外的填充，SAME_LOWER 在开头添加额外的填充。VALID 表示无填充。

  • count_include_pad - INT (默认值为 '0')

    在计算边缘值时是否包含填充像素。默认值为 0，不计算包含填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿每个空间轴的开始和结束部分的填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数量。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 开始部分的像素数量，xi_end 是添加到轴 i 结束部分的像素数量。此属性不能与 auto_pad 属性同时使用。如果不存在，填充默认为沿每个空间轴的开始和结束部分的 0。

  • strides - 整数 :

    沿每个空间轴的步幅。

输入

  • X (异构) - T

    来自前一个操作符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批大小。可选地，如果维度表示生效，则操作要求输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

输出

  • Y (异构) - T

    平均或最大池化后从输入张量获得的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的向下取整值

类型约束

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

    将输入和输出类型限制为浮点张量。

AveragePool - 1

版本

  • 名称: AveragePool (GitHub)

  • 域: main

  • 起始版本: 1

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 1 起可用。

摘要

AveragePool 消耗一个输入张量 X，并根据核大小、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 中进行进一步处理。输出空间形状将如下所示

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。如果您当前正在使用它们，则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) / 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。默认值为 NOTSET，表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入，使输出空间大小与输入匹配。如果是奇数，SAME_UPPER 在末尾添加额外的填充，SAME_LOWER 在开头添加额外的填充。VALID 表示无填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - 整数 :

    沿每个空间轴的开始和结束部分的填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数量。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 开始部分的像素数量，xi_end 是添加到轴 i 结束部分的像素数量。此属性不能与 auto_pad 属性同时使用。如果不存在，填充默认为沿每个空间轴的开始和结束部分的 0。

  • strides - 整数 :

    沿每个空间轴的步幅。

输入

  • X (异构) - T

    来自前一个操作符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度形式为 (N x C x D1 x D2 … Dn)，其中 N 是批大小。可选地，如果维度表示生效，则操作要求输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。

输出

  • Y (异构) - T

    平均或最大池化后从输入张量获得的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的向下取整值

类型约束

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

    将输入和输出类型限制为浮点张量。