今天看到

def gem(self, ipts):return F.avg_pool2d(ipts.clamp(min=self.eps).pow(self.p), (1, ipts.size(-1))).pow(1. / self.p)

这个函数中的F.avg_pool2d 不是很理解就查了一下

1. ipts.clamp(1.0e-6):
   这个操作将ipts中的每个元素限制在[1.0e-6, +inf)的范围内。也就是说，任何小于1.0e-6（一个非常小的正数）的值都会被替换为1.0e-6，而大于或等于1.0e-6的值则保持不变。这样做通常是为了避免数值不稳定问题，尤其是在进行对数运算、除法运算或幂运算时。

2. .pow(6.5):
   将ipts（经过clamp操作后）中的每个元素提升到6.5的幂。

3. F.avg_pool2d(..., (1, ipts.size(-1))):
   使用F.avg_pool2d函数对张量进行平均池化操作。这里有两个关键的参数：

   • 第一个参数是输入张量，即经过clamp和pow操作后的ipts。
   • 第二个参数(1, ipts.size(-1))定义了池化窗口的大小。这里，池化窗口的高度为1（即在高度上不进行池化），而宽度为ipts的最后一个维度的大小（即ipts.size(-1)）。这意味着池化操作将在最后一个维度上进行，并且沿着这个维度取平均值。

4. .pow(1. / 6.5):
   将池化后的结果张量中的每个元素取6.5的倒数次幂。这实际上是前面.pow(6.5)操作的逆操作，用于恢复原始数据的某种形式

import torch
import torch.nn.functional as F

F.avg_pool2d()数据是四维输入
input维度： （batch_size,channels,height,width）
kenerl维度：（二维:表示width的跨度）channel和输入的channle一致，如果数据是三维，则channel为1.(如果只写一个数n，kenerl=(n,n))

stride默认和kenerl一致，这是个二维的，所以在height和width上均和kenerl一致，越界同样丢弃。跟cnn卷积一致

在H和W维度求平均

input=torch.randn(10,3,4,4)
m=F.avg_pool2d(input,(4,4))
print(m.size())torch.Size([10, 3, 1, 1])

input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input.size())
print(input)
m = F.avg_pool2d(input,kernel_size=(4,4))
m
torch.Size([1, 5, 5])
tensor([[[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.],[0., 0., 0., 1., 1.],[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.]]])
tensor([[[0.8125]]])input = torch.tensor([[1,1,1,1,1],[1,1,1,1,1],[0,0,0,1,1],[1,1,1,1,1],[1,1,1,1,1]]).unsqueeze(0).float()
print(input.size())
print(input)
m = F.avg_pool2d(input,kernel_size=(4,4),stride=1)
m
torch.Size([1, 5, 5])
tensor([[[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.],[0., 0., 0., 1., 1.],[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.]]])
tensor([[[0.8125, 0.8750],[0.8125, 0.8750]]])