自适应池化

自适应池化的目标是输出固定尺寸（）的池化层

nn.AdaptiveAvgPool2d 实现和普通的池化层有所差异：

源代码如下：

可以看到自适应池化的做法是：为了输出固定尺寸的图像，根据 的大小划分成 个前闭后开区间，对这个区间上的数进行池化操作。（其实多维度在宽高是分别计算，这里为了统一描述，不做区分）

然而由于 计算结果可能是小数，在取整的过程中可能，会使各个区间的划分的大小不一致，相邻区间也可能也会有共享元素，可能没有共享元素。所以并不是像普通池化那样，固定 和 以一个固定尺寸向滑动。

下面举一个1维具体的例子：

输入特征图 ，输入尺度 ，输出固定尺度 ，所以

所以对应的 4 个池化区间分别是：

， ，即 #card=math&code=%5B0%2C3%29)，均值为 1.0

， ，即 #card=math&code=%5B2%2C6%29)，均值为 3.5

， ，即 #card=math&code=%5B5%2C9%29)，均值为 6.5

，，即 #card=math&code=%5B8%2C11%29)，均值为 9.0

则输出特征图：

指定输出特征图的梯度：

反向传播后特征图的梯度： 即

测试代码如下：

import torch
a = torch.arange(0, 11., requires_grad=True)
b = torch.nn.functional.adaptive_avg_pool1d(a[None, None], 4)
b.backward(torch.arange(1., 1+b.size(-1))[None, None])
print(a, b, a.grad)

结果如下：

tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.],
       requires_grad=True) 
tensor([[[1.0000, 3.5000, 6.5000, 9.0000]]], grad_fn=<SqueezeBackward1>) 
tensor([0.3333, 0.3333, 0.8333, 0.5000, 0.5000, 1.2500, 0.7500, 0.7500, 2.0833,
        1.3333, 1.3333])