AveragePool

AveragePool - 22

版本

  • 名稱：AveragePool (GitHub)

  • 網域：main

  • since_version：22

  • 函數：False

  • 支援等級：SupportType.COMMON

  • 形狀推斷：True

此版本的運算子自版本 22 起提供。

摘要

AveragePool 使用輸入張量 X，並根據核心大小、步幅大小和填充長度，在張量上應用平均池化。 平均池化包含根據核心大小計算輸入張量子集中所有值的平均值，並將資料降採樣到輸出張量 Y 中以進行進一步處理。輸出空間形狀的計算方式不同，具體取決於是否使用顯式填充（其中使用 pads）或使用自動填充（其中使用 auto_pad）。 使用顯式填充 (https://pytorch.dev.org.tw/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)

如果啟用了 ceil_mode。pad_shape[i] 是沿著軸 i 的 pads 的總和。將忽略在右側填充區域中開始的滑動窗口。

auto_pad 是一個已棄用的屬性。 如果您目前正在使用它們，則啟用 ceil_mode 時，輸出空間形狀將如下所示

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])

或當停用 ceil_mode 時 (https://tensorflow.dev.org.tw/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，則填充形狀將如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每個池化視窗的輸出除以元素數（當屬性 count_include_pad 為零時排除填充）。

屬性

  • auto_pad - STRING（預設為 'NOTSET'）

    auto_pad 必須是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 其中之一。 其中預設值為 NOTSET，表示使用顯式填充。 SAME_UPPER 或 SAME_LOWER 表示填充輸入，以便每個軸 i 的 output_shape[i] = ceil(input_shape[i] / strides[i])。填充會在兩側平均或幾乎平均分配（取決於它是偶數還是奇數）。如果填充為奇數，則額外填充會新增到 SAME_UPPER 的末尾，以及 SAME_LOWER 的開頭。

  • ceil_mode - INT（預設為 '0'）

    是否使用上限或下限（預設）來計算輸出形狀。

  • count_include_pad - INT（預設為 '0'）

    計算邊緣值時是否包含填充像素。 預設為 0，不計算包含填充。

  • dilations - INTS :

    沿著篩選器的每個空間軸的擴張值。 如果不存在，則沿著每個空間軸的擴張預設為 1。

  • kernel_shape - INTS（必要）

    沿著每個軸的核心大小。

  • pads - INTS :

    沿著每個空間軸的開頭和結尾的填充，它可以採用任何大於或等於 0 的值。 該值表示新增到對應軸的開頭和結尾部分的像素數。pads 的格式應如下：[x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是新增到軸 i 開頭的像素數，而 xi_end 是新增到軸 i 結尾的像素數。 此屬性不能與 auto_pad 屬性同時使用。 如果不存在，則沿著每個空間軸的開始和結尾的填充預設為 0。

  • strides - INTS :

    沿著每個空間軸的步幅。 如果不存在，則沿著每個空間軸的步幅預設為 1。

輸入

  • X（異質）- T

    來自前一個運算子的輸入資料張量； 影像案例的維度為 (N x C x H x W)，其中 N 是批次大小，C 是通道數，而 H 和 W 是資料的高度和寬度。 對於非影像案例，維度採用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。 （選擇性）如果維度標記法生效，則運算預期輸入資料張量會以 [DATA_BATCH、DATA_CHANNEL、DATA_FEATURE、DATA_FEATURE ...] 的維度標記法到達。

輸出

  • Y（異質）- T

    來自輸入張量上平均或最大池化的輸出資料張量。 維度會根據各種核心、步幅和填充大小而有所不同。 使用維度的下限值。

類型限制

  • T in ( tensor(bfloat16)、tensor(double)、tensor(float)、tensor(float16) )

    將輸入和輸出類型限制為浮點張量。

AveragePool - 19

版本

  • 名稱：AveragePool (GitHub)

  • 網域：main

  • since_version：19

  • 函數：False

  • 支援等級：SupportType.COMMON

  • 形狀推斷：True

此版本的運算子自版本 19 起提供。

摘要

AveragePool 使用輸入張量 X，並根據核心大小、步幅大小和填充長度，在張量上應用平均池化。 平均池化包含根據核心大小計算輸入張量子集中所有值的平均值，並將資料降採樣到輸出張量 Y 中以進行進一步處理。輸出空間形狀的計算方式不同，具體取決於是否使用顯式填充（其中使用 pads）或使用自動填充（其中使用 auto_pad）。 使用顯式填充 (https://pytorch.dev.org.tw/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)

如果啟用了 ceil_mode。pad_shape[i] 是沿著軸 i 的 pads 的總和。

auto_pad 是一個已棄用的屬性。 如果您目前正在使用它們，則啟用 ceil_mode 時，輸出空間形狀將如下所示

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])

或當停用 ceil_mode 時 (https://tensorflow.dev.org.tw/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，則填充形狀將如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每個池化視窗的輸出除以元素數（當屬性 count_include_pad 為零時排除填充）。

屬性

  • auto_pad - STRING（預設為 'NOTSET'）

    auto_pad 必須是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 其中之一。 其中預設值為 NOTSET，表示使用顯式填充。 SAME_UPPER 或 SAME_LOWER 表示填充輸入，以便每個軸 i 的 output_shape[i] = ceil(input_shape[i] / strides[i])。填充會在兩側平均或幾乎平均分配（取決於它是偶數還是奇數）。如果填充為奇數，則額外填充會新增到 SAME_UPPER 的末尾，以及 SAME_LOWER 的開頭。

  • ceil_mode - INT（預設為 '0'）

    是否使用上限或下限（預設）來計算輸出形狀。

  • count_include_pad - INT（預設為 '0'）

    計算邊緣值時是否包含填充像素。 預設為 0，不計算包含填充。

  • dilations - INTS :

    沿著篩選器的每個空間軸的擴張值。 如果不存在，則沿著每個空間軸的擴張預設為 1。

  • kernel_shape - INTS（必要）

    沿著每個軸的核心大小。

  • pads - INTS :

    沿著每個空間軸的開頭和結尾的填充，它可以採用任何大於或等於 0 的值。 該值表示新增到對應軸的開頭和結尾部分的像素數。pads 的格式應如下：[x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是新增到軸 i 開頭的像素數，而 xi_end 是新增到軸 i 結尾的像素數。 此屬性不能與 auto_pad 屬性同時使用。 如果不存在，則沿著每個空間軸的開始和結尾的填充預設為 0。

  • strides - INTS :

    沿著每個空間軸的步幅。 如果不存在，則沿著每個空間軸的步幅預設為 1。

輸入

  • X（異質）- T

    來自前一個運算子的輸入資料張量； 影像案例的維度為 (N x C x H x W)，其中 N 是批次大小，C 是通道數，而 H 和 W 是資料的高度和寬度。 對於非影像案例，維度採用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。 （選擇性）如果維度標記法生效，則運算預期輸入資料張量會以 [DATA_BATCH、DATA_CHANNEL、DATA_FEATURE、DATA_FEATURE ...] 的維度標記法到達。

輸出

  • Y（異質）- T

    來自輸入張量上平均或最大池化的輸出資料張量。 維度會根據各種核心、步幅和填充大小而有所不同。 使用維度的下限值。

類型限制

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

    將輸入和輸出類型限制為浮點張量。

AveragePool - 11

版本

  • 名稱：AveragePool (GitHub)

  • 網域：main

  • since_version: 11

  • 函數：False

  • 支援等級：SupportType.COMMON

  • 形狀推斷：True

此運算子的版本從版本 11 開始提供。

摘要

AveragePool 消耗輸入張量 X，並根據核心大小、步幅大小和填充長度，對張量應用平均池化。平均池化包括根據核心大小計算輸入張量子集中所有值的平均值，並將數據降採樣到輸出張量 Y 中以進行進一步處理。輸出空間形狀將如下所示

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)

如果啟用 ceil_mode

* pad_shape[i] is sum of pads along axis i

auto_pad 是一個已棄用的屬性。 如果您目前正在使用它們，則啟用 ceil_mode 時，輸出空間形狀將如下所示

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])

或當 ceil_mode 停用時

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，則填充形狀將如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + ((kernel_spatial_shape[i] - 1) * dilations[i] + 1) - input_spatial_shape[i]

每個池化視窗的輸出除以元素數（當屬性 count_include_pad 為零時排除填充）。

屬性

  • auto_pad - STRING（預設為 'NOTSET'）

    auto_pad 必須是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 其中之一。 其中預設值為 NOTSET，表示使用顯式填充。 SAME_UPPER 或 SAME_LOWER 表示填充輸入，以便每個軸 i 的 output_shape[i] = ceil(input_shape[i] / strides[i])。填充會在兩側平均或幾乎平均分配（取決於它是偶數還是奇數）。如果填充為奇數，則額外填充會新增到 SAME_UPPER 的末尾，以及 SAME_LOWER 的開頭。

  • ceil_mode - INT（預設為 '0'）

    是否使用上限或下限（預設）來計算輸出形狀。

  • count_include_pad - INT（預設為 '0'）

    計算邊緣值時是否包含填充像素。 預設為 0，不計算包含填充。

  • kernel_shape - INTS（必要）

    沿著每個軸的核心大小。

  • pads - INTS :

    沿著每個空間軸的開頭和結尾的填充，它可以採用任何大於或等於 0 的值。 該值表示新增到對應軸的開頭和結尾部分的像素數。pads 的格式應如下：[x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是新增到軸 i 開頭的像素數，而 xi_end 是新增到軸 i 結尾的像素數。 此屬性不能與 auto_pad 屬性同時使用。 如果不存在，則沿著每個空間軸的開始和結尾的填充預設為 0。

  • strides - INTS :

    沿著每個空間軸的步幅。 如果不存在，則沿著每個空間軸的步幅預設為 1。

輸入

  • X（異質）- T

    來自前一個運算子的輸入資料張量； 影像案例的維度為 (N x C x H x W)，其中 N 是批次大小，C 是通道數，而 H 和 W 是資料的高度和寬度。 對於非影像案例，維度採用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。 （選擇性）如果維度標記法生效，則運算預期輸入資料張量會以 [DATA_BATCH、DATA_CHANNEL、DATA_FEATURE、DATA_FEATURE ...] 的維度標記法到達。

輸出

  • Y（異質）- T

    來自輸入張量上平均或最大池化的輸出資料張量。 維度會根據各種核心、步幅和填充大小而有所不同。 使用維度的下限值。

類型約束

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

    將輸入和輸出類型限制為浮點張量。

AveragePool - 10

版本

  • 名稱：AveragePool (GitHub)

  • 網域：main

  • since_version: 10

  • 函數：False

  • 支援等級：SupportType.COMMON

  • 形狀推斷：True

此運算子的版本從版本 10 開始提供。

摘要

AveragePool 消耗輸入張量 X，並根據核心大小、步幅大小和填充長度，對張量應用平均池化。平均池化包括根據核心大小計算輸入張量子集中所有值的平均值，並將數據降採樣到輸出張量 Y 中以進行進一步處理。輸出空間形狀將如下所示

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)

如果啟用 ceil_mode

* pad_shape[i] is sum of pads along axis i

auto_pad 是一個已棄用的屬性。如果您目前正在使用它們，輸出空間形狀將如下所示

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，則填充形狀將如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每個池化視窗的輸出除以元素數（當屬性 count_include_pad 為零時排除填充）。

屬性

  • auto_pad - STRING（預設為 'NOTSET'）

    auto_pad 必須是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 其中之一。其中預設值是 NOTSET，表示使用明確的填充。SAME_UPPER 或 SAME_LOWER 表示填充輸入，使輸出空間大小與 input.In 相符。如果數字為奇數，則對於 SAME_UPPER 在末尾添加額外的填充，對於 SAME_LOWER 在開頭添加額外的填充。VALID 表示不填充。

  • ceil_mode - INT（預設為 '0'）

    是否使用上限或下限（預設）來計算輸出形狀。

  • count_include_pad - INT（預設為 '0'）

    計算邊緣值時是否包含填充像素。 預設為 0，不計算包含填充。

  • kernel_shape - INTS（必要）

    沿著每個軸的核心大小。

  • pads - INTS :

    沿著每個空間軸的開頭和結尾的填充，它可以採用任何大於或等於 0 的值。 該值表示新增到對應軸的開頭和結尾部分的像素數。pads 的格式應如下：[x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是新增到軸 i 開頭的像素數，而 xi_end 是新增到軸 i 結尾的像素數。 此屬性不能與 auto_pad 屬性同時使用。 如果不存在，則沿著每個空間軸的開始和結尾的填充預設為 0。

  • strides - INTS :

    沿每個空間軸的步幅。

輸入

  • X（異質）- T

    來自前一個運算子的輸入資料張量； 影像案例的維度為 (N x C x H x W)，其中 N 是批次大小，C 是通道數，而 H 和 W 是資料的高度和寬度。 對於非影像案例，維度採用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。 （選擇性）如果維度標記法生效，則運算預期輸入資料張量會以 [DATA_BATCH、DATA_CHANNEL、DATA_FEATURE、DATA_FEATURE ...] 的維度標記法到達。

輸出

  • Y（異質）- T

    來自輸入張量上平均或最大池化的輸出資料張量。 維度會根據各種核心、步幅和填充大小而有所不同。 使用維度的下限值。

類型約束

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

    將輸入和輸出類型限制為浮點張量。

AveragePool - 7

版本

  • 名稱：AveragePool (GitHub)

  • 網域：main

  • since_version: 7

  • 函數：False

  • 支援等級：SupportType.COMMON

  • 形狀推斷：True

此運算子的版本從版本 7 開始提供。

摘要

AveragePool 消耗輸入張量 X，並根據核心大小、步幅大小和填充長度，對張量應用平均池化。平均池化包括根據核心大小計算輸入張量子集中所有值的平均值，並將數據降採樣到輸出張量 Y 中以進行進一步處理。輸出空間形狀將如下所示

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 是一個已棄用的屬性。如果您目前正在使用它們，輸出空間形狀將如下所示

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，則填充形狀將如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每個池化視窗的輸出除以元素數（當屬性 count_include_pad 為零時排除填充）。

屬性

  • auto_pad - STRING（預設為 'NOTSET'）

    auto_pad 必須是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 其中之一。其中預設值是 NOTSET，表示使用明確的填充。SAME_UPPER 或 SAME_LOWER 表示填充輸入，使輸出空間大小與 input.In 相符。如果數字為奇數，則對於 SAME_UPPER 在末尾添加額外的填充，對於 SAME_LOWER 在開頭添加額外的填充。VALID 表示不填充。

  • count_include_pad - INT（預設為 '0'）

    計算邊緣值時是否包含填充像素。 預設為 0，不計算包含填充。

  • kernel_shape - INTS（必要）

    沿著每個軸的核心大小。

  • pads - INTS :

    沿著每個空間軸的開頭和結尾的填充，它可以採用任何大於或等於 0 的值。 該值表示新增到對應軸的開頭和結尾部分的像素數。pads 的格式應如下：[x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是新增到軸 i 開頭的像素數，而 xi_end 是新增到軸 i 結尾的像素數。 此屬性不能與 auto_pad 屬性同時使用。 如果不存在，則沿著每個空間軸的開始和結尾的填充預設為 0。

  • strides - INTS :

    沿每個空間軸的步幅。

輸入

  • X（異質）- T

    來自前一個運算子的輸入資料張量； 影像案例的維度為 (N x C x H x W)，其中 N 是批次大小，C 是通道數，而 H 和 W 是資料的高度和寬度。 對於非影像案例，維度採用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。 （選擇性）如果維度標記法生效，則運算預期輸入資料張量會以 [DATA_BATCH、DATA_CHANNEL、DATA_FEATURE、DATA_FEATURE ...] 的維度標記法到達。

輸出

  • Y（異質）- T

    來自輸入張量上平均或最大池化的輸出資料張量。 維度會根據各種核心、步幅和填充大小而有所不同。 使用維度的下限值。

類型約束

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

    將輸入和輸出類型限制為浮點張量。

AveragePool - 1

版本

  • 名稱：AveragePool (GitHub)

  • 網域：main

  • since_version: 1

  • 函數：False

  • 支援等級：SupportType.COMMON

  • 形狀推斷：True

此運算子的版本從版本 1 開始提供。

摘要

AveragePool 消耗輸入張量 X，並根據核心大小、步幅大小和填充長度，對張量應用平均池化。平均池化包括根據核心大小計算輸入張量子集中所有值的平均值，並將數據降採樣到輸出張量 Y 中以進行進一步處理。輸出空間形狀將如下所示

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 是一個已棄用的屬性。如果您目前正在使用它們，輸出空間形狀將如下所示

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，則填充形狀將如下所示

pad_shape[i] = (output_spatial_shape[i] - 1) * strides_spatial_shape[i] + kernel_spatial_shape[i] - input_spatial_shape[i]

每個池化視窗的輸出除以元素數，排除填充。

屬性

  • auto_pad - STRING（預設為 'NOTSET'）

    auto_pad 必須是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID 其中之一。其中預設值是 NOTSET，表示使用明確的填充。SAME_UPPER 或 SAME_LOWER 表示填充輸入，使輸出空間大小與 input.In 相符。如果數字為奇數，則對於 SAME_UPPER 在末尾添加額外的填充，對於 SAME_LOWER 在開頭添加額外的填充。VALID 表示不填充。

  • kernel_shape - INTS（必要）

    沿著每個軸的核心大小。

  • pads - INTS :

    沿著每個空間軸的開頭和結尾的填充，它可以採用任何大於或等於 0 的值。 該值表示新增到對應軸的開頭和結尾部分的像素數。pads 的格式應如下：[x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是新增到軸 i 開頭的像素數，而 xi_end 是新增到軸 i 結尾的像素數。 此屬性不能與 auto_pad 屬性同時使用。 如果不存在，則沿著每個空間軸的開始和結尾的填充預設為 0。

  • strides - INTS :

    沿每個空間軸的步幅。

輸入

  • X（異質）- T

    來自前一個運算子的輸入資料張量； 影像案例的維度為 (N x C x H x W)，其中 N 是批次大小，C 是通道數，而 H 和 W 是資料的高度和寬度。 對於非影像案例，維度採用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。 （選擇性）如果維度標記法生效，則運算預期輸入資料張量會以 [DATA_BATCH、DATA_CHANNEL、DATA_FEATURE、DATA_FEATURE ...] 的維度標記法到達。

輸出

  • Y（異質）- T

    來自輸入張量上平均或最大池化的輸出資料張量。 維度會根據各種核心、步幅和填充大小而有所不同。 使用維度的下限值。

類型約束

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

    將輸入和輸出類型限制為浮點張量。