[人工智能]【pytorch】nn.AvgPool2d()与AdaptiveAvgPool2d() 的区别

声明：此篇文章是个人学习笔记，并非教程，所以内容可能不够严谨。可作参考，但不保证绝对正确。如果你发现我的文章有什么错误，非常欢迎指正，谢谢哦

平均池化层，又叫平均汇聚层，作用：https://blog.csdn.net/weixin_42193719/article/details/103860206

每次会计算滑动窗口覆盖区域内数值的平均值，然后将滑动窗口滑向下一个区域计算下一个平均值，如此反复直到滑动到末尾。

nn.AvgPool2d

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

nn.AdaptiveAvgPool2d

torch.nn.AdaptiveAvgPool2d(output_size)

二者区别

nn.AvgPool2d()需要我们自己指定核（滑动窗口）的大小、步长等参数，输出特征的尺寸取决于我们给定的窗口大小、步长等参数。

而AdaptiveAvgPool2d()会根据我们想要的输出，自行计算核的大小。我们只需要说明我们想要的输出尺寸是多少，它会自动调整滑动窗口大小等参数去实现我们的要求。

代码验证

data = torch.tensor(
        [[[[9.0, 0, 7,6],
          [3,2,6,8],
          [7,5,4,4],
          [4,8,3,5]],

         [[3,8,7,2],
          [9,6,1,2],
          [2,0,8,0],
          [2,9,8,4]]]]
)

ada_avg = torch.nn.AdaptiveAvgPool2d(1)
print('ada_avg',ada_avg(data))
avg = torch.nn.AvgPool2d(kernel_size=4)
print('avg:',avg(data))
#输出结果为：
#ada_avg tensor([[[[5.0625]],
#         [[4.4375]]]])
#avg: tensor([[[[5.0625]],
#         [[4.4375]]]])
#可见，当把output_size设置1，即期望输出1x1尺寸的特征。最后得到的结果和把池化窗口大小设为4x4是一样的效果。
#下面再尝试一次：
ada_avg = torch.nn.AdaptiveAvgPool2d((2,3))
print('ada_avg',ada_avg(data))
avg = torch.nn.AvgPool2d(kernel_size=2, stride=(2,1))
print('avg:',avg(data))
#输出结果为：
#ada_avg tensor([[[[3.5000, 3.7500, 6.7500],
#          [6.0000, 5.0000, 4.0000]],
#
#         [[6.5000, 5.5000, 3.0000],
#          [3.2500, 6.2500, 5.0000]]]])
#avg: tensor([[[[3.5000, 3.7500, 6.7500],
#          [6.0000, 5.0000, 4.0000]],
#
#         [[6.5000, 5.5000, 3.0000],
#          [3.2500, 6.2500, 5.0000]]]])
#可见，当把output_size设置为(2,3)，即期望输出2x3尺寸的特征。最后得到的结果和把池化窗口大小设为2x2, 滑动步长设为2x1是一样的效果。

所以呢，当我们希望不管输入尺寸是什么样都要得到同样尺寸的输出结果时，或者懒得自己计算时（？），就可以使用AdaptiveAvgPool2d() 。