AveragePool

AveragePool - 22

版本

  • 名称: AveragePool (GitHub)

  • : main

  • 起始版本: 22

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本算子自 **版本 22** 起可用。

摘要

AveragePool 接收一个输入张量 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。平均池化是指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 中以供进一步处理。输出空间形状的计算方式根据是否使用显式填充(使用 pads)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)

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_modepad_shape[i] 是沿轴 i 的填充总和。从右侧填充区域开始的滑动窗口将被忽略。

auto_pad 是一个已弃用的属性。如果您当前正在使用它们,当启用 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])

或当禁用 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

如果使用 SAME_UPPERSAME_LOWER,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,不包含填充)。

属性

  • auto_pad - STRING (默认为 'NOTSET')

    auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值是 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入,使得对于每个轴 ioutput_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均或几乎平均分配(取决于它是偶数还是奇数)。如果填充是奇数,额外的填充在 SAME_UPPER 的末端添加,在 SAME_LOWER 的开始添加。

  • ceil_mode - INT (默认为 '0')

    计算输出形状时使用 ceil(向上取整)还是 floor(向下取整,默认)。

  • count_include_pad - INT (默认为 '0')

    计算边缘值时是否包含填充像素。默认为 0,不计算填充。

  • dilations - INTS :

    沿过滤器每个空间轴的扩张值。如果不存在,扩张默认为沿每个空间轴为 1。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - INTS :

    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。该值表示在对应轴的开始和结束部分添加的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,….],其中 xi_begin 是在轴 i 的开始处添加的像素数量,xi_end 是在轴 i 的末端添加的像素数量。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处为 0。

  • strides - INTS :

    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为 1。

输入

  • X (异构) - T

    来自前一个算子的输入数据张量;图像情况下的维度为 (N x C x H x W),其中 N 是批量大小,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 是批量大小。可选地,如果启用了维度表示法,该操作期望输入数据张量带有维度表示法 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]。

输出

  • Y (异构) - T

    通过对输入张量进行平均池化或最大池化得到的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的 floor 值。

类型约束

  • T 属于 ( tensor(bfloat16), tensor(double), tensor(float), tensor(float16) )

    约束输入和输出类型为浮点张量。

AveragePool - 19

版本

  • 名称: AveragePool (GitHub)

  • : main

  • 起始版本: 19

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本算子自 **版本 19** 起可用。

摘要

AveragePool 接收一个输入张量 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。平均池化是指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 中以供进一步处理。输出空间形状的计算方式根据是否使用显式填充(使用 pads)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)

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_modepad_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,当启用 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])

或当禁用 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

如果使用 SAME_UPPERSAME_LOWER,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,不包含填充)。

属性

  • auto_pad - STRING (默认为 'NOTSET')

    auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值是 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入,使得对于每个轴 ioutput_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均或几乎平均分配(取决于它是偶数还是奇数)。如果填充是奇数,额外的填充在 SAME_UPPER 的末端添加,在 SAME_LOWER 的开始添加。

  • ceil_mode - INT (默认为 '0')

    计算输出形状时使用 ceil(向上取整)还是 floor(向下取整,默认)。

  • count_include_pad - INT (默认为 '0')

    计算边缘值时是否包含填充像素。默认为 0,不计算填充。

  • dilations - INTS :

    沿过滤器每个空间轴的扩张值。如果不存在,扩张默认为沿每个空间轴为 1。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - INTS :

    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。该值表示在对应轴的开始和结束部分添加的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,….],其中 xi_begin 是在轴 i 的开始处添加的像素数量,xi_end 是在轴 i 的末端添加的像素数量。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处为 0。

  • strides - INTS :

    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为 1。

输入

  • X (异构) - T

    来自前一个算子的输入数据张量;图像情况下的维度为 (N x C x H x W),其中 N 是批量大小,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 是批量大小。可选地,如果启用了维度表示法,该操作期望输入数据张量带有维度表示法 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]。

输出

  • Y (异构) - T

    通过对输入张量进行平均池化或最大池化得到的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的 floor 值。

类型约束

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

    约束输入和输出类型为浮点张量。

AveragePool - 11

版本

  • 名称: AveragePool (GitHub)

  • : main

  • 起始版本: 11

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本算子自 **版本 11** 起可用。

摘要

AveragePool 接收一个输入张量 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。平均池化是指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 中以供进一步处理。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)

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,当启用 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])

或当禁用 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])

如果使用 SAME_UPPERSAME_LOWER,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,不包含填充)。

属性

  • auto_pad - STRING (默认为 'NOTSET')

    auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值是 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入,使得对于每个轴 ioutput_shape[i] = ceil(input_shape[i] / strides[i])。填充在两侧平均或几乎平均分配(取决于它是偶数还是奇数)。如果填充是奇数,额外的填充在 SAME_UPPER 的末端添加,在 SAME_LOWER 的开始添加。

  • ceil_mode - INT (默认为 '0')

    计算输出形状时使用 ceil(向上取整)还是 floor(向下取整,默认)。

  • count_include_pad - INT (默认为 '0')

    计算边缘值时是否包含填充像素。默认为 0,不计算填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - INTS :

    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。该值表示在对应轴的开始和结束部分添加的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,….],其中 xi_begin 是在轴 i 的开始处添加的像素数量,xi_end 是在轴 i 的末端添加的像素数量。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处为 0。

  • strides - INTS :

    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为 1。

输入

  • X (异构) - T

    来自前一个算子的输入数据张量;图像情况下的维度为 (N x C x H x W),其中 N 是批量大小,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 是批量大小。可选地,如果启用了维度表示法,该操作期望输入数据张量带有维度表示法 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]。

输出

  • Y (异构) - T

    通过对输入张量进行平均池化或最大池化得到的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的 floor 值。

类型约束

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

    约束输入和输出类型为浮点张量。

AveragePool - 10

版本

  • 名称: AveragePool (GitHub)

  • : main

  • 起始版本: 10

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本算子自 **版本 10** 起可用。

摘要

AveragePool 接收一个输入张量 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。平均池化是指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 中以供进一步处理。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)

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,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])

如果使用 SAME_UPPERSAME_LOWER,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,不包含填充)。

属性

  • auto_pad - STRING (默认为 'NOTSET')

    auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值是 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入,以便输出空间大小与 输入 匹配。在奇数情况下,额外的填充在 SAME_UPPER 的末尾添加,在 SAME_LOWER 的开头添加。VALID 表示无填充。

  • ceil_mode - INT (默认为 '0')

    计算输出形状时使用 ceil(向上取整)还是 floor(向下取整,默认)。

  • count_include_pad - INT (默认为 '0')

    计算边缘值时是否包含填充像素。默认为 0,不计算填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - INTS :

    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。该值表示在对应轴的开始和结束部分添加的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,….],其中 xi_begin 是在轴 i 的开始处添加的像素数量,xi_end 是在轴 i 的末端添加的像素数量。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处为 0。

  • strides - INTS :

    沿每个空间轴的步长。

输入

  • X (异构) - T

    来自前一个算子的输入数据张量;图像情况下的维度为 (N x C x H x W),其中 N 是批量大小,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 是批量大小。可选地,如果启用了维度表示法,该操作期望输入数据张量带有维度表示法 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]。

输出

  • Y (异构) - T

    通过对输入张量进行平均池化或最大池化得到的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的 floor 值。

类型约束

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

    约束输入和输出类型为浮点张量。

AveragePool - 7

版本

  • 名称: AveragePool (GitHub)

  • : main

  • 起始版本: 7

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本算子自 **版本 7** 起可用。

摘要

AveragePool 接收一个输入张量 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。平均池化是指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 中以供进一步处理。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,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])

如果使用 SAME_UPPERSAME_LOWER,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,不包含填充)。

属性

  • auto_pad - STRING (默认为 'NOTSET')

    auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值是 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入,以便输出空间大小与 输入 匹配。在奇数情况下,额外的填充在 SAME_UPPER 的末尾添加,在 SAME_LOWER 的开头添加。VALID 表示无填充。

  • count_include_pad - INT (默认为 '0')

    计算边缘值时是否包含填充像素。默认为 0,不计算填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - INTS :

    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。该值表示在对应轴的开始和结束部分添加的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,….],其中 xi_begin 是在轴 i 的开始处添加的像素数量,xi_end 是在轴 i 的末端添加的像素数量。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处为 0。

  • strides - INTS :

    沿每个空间轴的步长。

输入

  • X (异构) - T

    来自前一个算子的输入数据张量;图像情况下的维度为 (N x C x H x W),其中 N 是批量大小,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 是批量大小。可选地,如果启用了维度表示法,该操作期望输入数据张量带有维度表示法 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]。

输出

  • Y (异构) - T

    通过对输入张量进行平均池化或最大池化得到的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的 floor 值。

类型约束

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

    约束输入和输出类型为浮点张量。

AveragePool - 1

版本

  • 名称: AveragePool (GitHub)

  • : main

  • 起始版本: 1

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本算子自 **版本 1** 起可用。

摘要

AveragePool 接收一个输入张量 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。平均池化是指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 中以供进一步处理。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,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])

如果使用 SAME_UPPERSAME_LOWER,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(不包含填充)。

属性

  • auto_pad - STRING (默认为 'NOTSET')

    auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值是 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入,以便输出空间大小与 输入 匹配。在奇数情况下,额外的填充在 SAME_UPPER 的末尾添加,在 SAME_LOWER 的开头添加。VALID 表示无填充。

  • kernel_shape - INTS (必需)

    沿每个轴的核大小。

  • pads - INTS :

    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。该值表示在对应轴的开始和结束部分添加的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,….],其中 xi_begin 是在轴 i 的开始处添加的像素数量,xi_end 是在轴 i 的末端添加的像素数量。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处为 0。

  • strides - INTS :

    沿每个空间轴的步长。

输入

  • X (异构) - T

    来自前一个算子的输入数据张量;图像情况下的维度为 (N x C x H x W),其中 N 是批量大小,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 是批量大小。可选地,如果启用了维度表示法,该操作期望输入数据张量带有维度表示法 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …]。

输出

  • Y (异构) - T

    通过对输入张量进行平均池化或最大池化得到的输出数据张量。维度将根据不同的核、步长和填充大小而变化。使用维度的 floor 值。

类型约束

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

    约束输入和输出类型为浮点张量。