我就废话不多说了，直接上代码吧！

import torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.autograd import Variableimport numpy as np input = Variable(torch.Tensor([[[1, 3, 3, 4, 5, 6, 7], [1, 2, 3, 4, 5, 6, 7]], [[1, 3, 3, 4, 5, 6, 7], [1, 2, 3, 4, 5, 6, 7]]]))print("input shape",input.shape)c = F.avg_pool1d(input, kernel_size=3, stride=2)print(c)print("c shape:",c.shape) # m = nn.AvgPool2d(3, stride=2)m = nn.AvgPool2d((2, 2), stride=(2, 2))input = Variable(torch.randn(20, 18, 50, 32)) # bach是20,图片size是50*31,chanel是1８(通道是1８,也就是每张图有1８个fature map)input = np.array([[[[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]], [[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]]], [[[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]], [[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]]]]) #size２*2*4*4print("input shape:",input.shape)input = Variable(torch.FloatTensor(input))output = m(input)print(output)print("output shape:",output.shape)#(2,2,2,2)

输出：

input shape torch.Size([2, 2, 7])tensor([[[ 2.3333, 4.0000, 6.0000], [ 2.0000, 4.0000, 6.0000]], [[ 2.3333, 4.0000, 6.0000], [ 2.0000, 4.0000, 6.0000]]])c shape: torch.Size([2, 2, 3])input shape: (2, 2, 4, 4)tensor([[[[ 1.5000, 3.5000], [ 1.5000, 3.5000]], [[ 1.5000, 3.5000], [ 1.5000, 3.5000]]], [[[ 1.5000, 3.5000], [ 1.5000, 3.5000]], [[ 1.5000, 3.5000], [ 1.5000, 3.5000]]]])output shape: torch.Size([2, 2, 2, 2])

pytorch中的F.avg_pool1d（）平均池化操作作用于一维，ｉｎｐｕｔ的维度是三维比如［２,２,７］。F.avg_pool1d（）中核ｓｉｚｅ是３，步长是２表示每三个数取平均，每隔两个数取一次．比如[1,3,3,4,5,6,7]安照3个数取均值，两步取一次，那么结果就是[ 2.3333 ,4 ,6 ]，也就是核是一维的，也只作用于一个维度。按照池化操作计算公式input size为[2,2,7],kernel size为3，步长为2，则输出维度计算（7-3）/2+1=3所以输出维度是[2,2,3]，这与输出结果是一致的。

pytorch中的F.avg_pool2d（），ｉｎｐｕｔ是维度是４维如［２，２，４，４］，表示这里批量数是２也就是两张图像，这里应该是有通道（ｆｅａｔｕｒｅ　ｍａｐ）数量是２，图像是ｓｉｚｅ是４＊４的．核ｓｉｚｅ是（２，２）步长是（２，２）表示被核覆盖的数取平均，横向纵向的步长都是２．那么核是二维的，所以取均值时也是覆盖二维取的。输出中第一个1.5的计算是：1+2+1+2/4=1.5.表示第一张图像左上角的四个像素点的均值。按照池化操作计算公式input size为[2,2,4,4],kernel size为2*2，步长为2，则输出维度计算（4-2）/2+1=2所以输出维度是[2,2,2,2]，这与输出结果是一致的。

以上这篇pytorch AvgPool2d函数使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。