adaptive_avg_pool3d

paddle.nn.functional.adaptive_avg_pool3d ( x, output_size, data_format=’NCDHW’, name=None ) [源代码]

该算子根据输入 x , output_size 等参数对一个输入Tensor计算3D的自适应平均池化。输入和输出都是5-D Tensor, 默认是以 NCDHW 格式表示的,其中 N 是 batch size, C 是通道数, D 是特征图长度, H 是输入特征的高度, H 是输入特征的宽度。

计算公式如下:

adaptive_avg_pool3d - 图1

参数

  • x (Tensor): 默认形状为(批大小,通道数,长度,高度,宽度),即NCDHW格式的5-D Tensor。 其数据类型为float16, float32, float64, int32或int64.

  • output_size (int|list|turple): 算子输出特征图的尺寸,如果其是list或turple类型的数值,必须包含三个元素,D,H和W。D,H和W既可以是int类型值也可以是None,None表示与输入特征尺寸相同。

  • data_format (str): 输入和输出的数据格式,可以是”NCDHW”和”NDHWC”。N是批尺寸,C是通道数,D是特征长度,H是特征高度,W是特征宽度。默认值:”NCDHW”。

  • name (str,可选): 操作的名称(可选,默认值为None)。更多信息请参见 Name

返回

Tensor, 默认形状为(批大小,通道数,输出特征长度,输出特征高度,输出特征宽度),即NCDHW格式的5-D Tensor,其数据类型与输入相同。

抛出异常

  • ValueError - 如果 data_format 既不是”NCDHW”也不是”NDHWC”。

代码示例

  1. # adaptive avg pool3d
  2. # suppose input data in shape of [N, C, D, H, W], `output_size` is [l, m, n],
  3. # output shape is [N, C, l, m, n], adaptive pool divide D, H and W dimensions
  4. # of input data into l * m * n grids averagely and performs poolings in each
  5. # grid to get output.
  6. # adaptive avg pool performs calculations as follow:
  7. #
  8. # for i in range(l):
  9. # for j in range(m):
  10. # for k in range(n):
  11. # dstart = floor(i * D / l)
  12. # dend = ceil((i + 1) * D / l)
  13. # hstart = floor(j * H / m)
  14. # hend = ceil((j + 1) * H / m)
  15. # wstart = floor(k * W / n)
  16. # wend = ceil((k + 1) * W / n)
  17. # output[:, :, i, j, k] =
  18. # avg(input[:, :, dstart:dend, hstart: hend, wstart: wend])
  19. import paddle
  20. import numpy as np
  21. input_data = np.random.rand(2, 3, 8, 32, 32)
  22. x = paddle.to_tensor(input_data)
  23. # x.shape is [2, 3, 8, 32, 32]
  24. pool_out = paddle.nn.functional.adaptive_avg_pool3d(
  25. x = x,
  26. output_size=[3, 3, 3])
  27. # pool_out.shape is [2, 3, 3, 3, 3]