---

一、torch.nn.AvgPool2d()：二维平均池化

1.1参数介绍

torch.nn.AvgPool2d( kernel_size , stride=None , padding=0 , ceil_mode=False , count_include_pad=True , divisor_override=None )

  torch.nn.AvgPool2d()用于在由多个平面组成的输入信号上应用二维平均池化操作，输入尺寸为$(N,C_{in},H,W)$，输出尺寸为$(N,C_{in},H_{out},W_{out})$。输出特征图形状为：

其中，$H_{in}、W_{in}$分别表输入图像的高度与宽度，默认向下取整。

参数名	功能
kernel_size	池化核大小，整数或元组。
stride	步幅，默认等于kernel_size，整数或元组。
padding	填充，整数或元组。
ceil_mode	设为True时，在计算输出形状的过程中采用向上取整的操作，否则，采用向下取整。
count_include_pad	布尔类型，当为True时，将在平均池化计算中包括零填充，否则，不包括零填充。
divisor_override	如果被指定，则除数会被代替成divisor_override。换句话说，如果不指定该变量，则平均池化的计算过程其实是在一个池化核内，将元素相加再除以池化核的大小，也就是divisor_override默认为池化核的高×宽；如果该变量被指定，则池化过程为将池化核内元素相加再除以divisor_override。

1.2代码案例

【一般用法】

import torch
from torch import nn
img=torch.arange(16).reshape(1,1,4,4)
# 池化核和池化步长均为2
pool=nn.AvgPool2d(2,stride=2)
img_2=pool(img)
print(img)
print(img_2)

【ceil_mode用法】

import torch
from torch import nn
img=torch.arange(20,dtype=torch.float).reshape(1,1,4,5)
pool_f=nn.AvgPool2d(2,stride=2,padding=0,ceil_mode=False)#向下取整
pool_t=nn.AvgPool2d(2,stride=2,padding=0,ceil_mode=True)#向上取整
img_1=pool_f(img)
img_2=pool_t(img)
print(img)
print(img_1)
print(img_2)

【padding用法】

import torch
from torch import nn
img=torch.arange(16,dtype=torch.float).reshape(1,1,4,4)
pool_t=nn.AvgPool2d(2,stride=2,padding=1)#填充后图像大小为(1,1,6,6),池化输出图像大小为(1,1,3,3)
pool_f=nn.AvgPool2d(2,stride=2)#图像大小为(1,1,4,4),池化输出图像大小为(1,1,2,2)
img_1=pool_t(img)
img_2=pool_f(img)
print(img)
print(img_1)
print(img_2)

【count_include_pad】

import torch
from torch import nn
img=torch.arange(16,dtype=torch.float).reshape(1,1,4,4)
pool_t=nn.AvgPool2d(2,stride=2,padding=1,count_include_pad=True)
pool_f=nn.AvgPool2d(2,stride=2,padding=1,count_include_pad=False)
img_1=pool_t(img)
img_2=pool_f(img)
print(img)
print(img_1)#用于填充的0被用于计算
print(img_2)#用于填充的0不用于计算

【divisor_override】

import torch
from torch import nn
img=torch.arange(16,dtype=torch.float).reshape(1,1,4,4)
pool_1=nn.AvgPool2d(2,stride=2)
pool_d1=nn.AvgPool2d(2,stride=2,divisor_override=2)
pool_d2=nn.AvgPool2d(2,stride=2,divisor_override=3)
img_1=pool_1(img)
img_2=pool_d1(img)
img_3=pool_d2(img)
print(img)
print(img_1)
print(img_2)
print(img_3)

二、torch.nn.AdaptiveAvgPool2d()：自适应平均池化

  torch.nn.AdaptiveAvgPool2d()用于将输入特征图的高度和宽度调整到指定输出尺寸（不会改变通道数），并执行平均池化操作输出特征图。与torch.nn.AvgPool2d()不同，torch.nn.AdaptiveAvgPool2d()可处理任意大小的输入特征图，并将其调整为指定的输出尺寸，即，对于每个通道，AdaptiveAvgPool2d会根据指定的输出大小将输入图像划分为分段网格，然后计算每个分段的平均值，这个平均值成为相应的输出像素。。

2.1参数介绍

torch.nn.AdaptiveAvgPool2d(output_size)

• output_size：指定输出特征图的高度和宽度。
  • 整数：输出特征图的高度和宽度相等。
  • 元组：分别指定输出特征图的高度和宽度。
  • None：输出特征图尺寸和输入保持一致。

  torch.nn.AdaptiveAvgPool2d(output_size)的输入数据尺寸仍为$(N,C,H,W)$，输出数据尺寸由参数决定，但$N、C$不会改变。

2.2代码案例

【输出特征图大小为1x1】

import torch
import torch.nn as nn# 定义自适应平均池化层，输出尺寸为 1x1
adaptive_pool = nn.AdaptiveAvgPool2d((1, 1))
# 输入特征图尺寸为 1x3x4x4
input_tensor = torch.randn(1, 3, 4, 4)
output_tensor = adaptive_pool(input_tensor)print("输入：", input_tensor)
print("输出：", output_tensor)

【输出特征图宽、高不等】

import torch
import torch.nn as nn# 定义自适应平均池化层，输出尺寸为 1x1
adaptive_pool = nn.AdaptiveAvgPool2d((3, 2))
# 输入特征图尺寸为 1x3x4x4
input_tensor = torch.randn(1, 3, 4, 4)
output_tensor = adaptive_pool(input_tensor)print("输入：", input_tensor)
print("输出：", output_tensor)

2.3使用场景

  AdaptiveAvgPool2d()一般在卷积层和全连接层的交汇处使用，以便确定输出到Linear层的大小。下图为VGG中AdaptiveAvgPool2d()的使用：