Deep learning 将自适应平均2d池替换为常规平均2d池

我有一个PyTorch模型，它以以下方式使用自适应平均池层：

ppms = []
for ii in [1, 3, 5]:
    ppms.append(nn.Sequential(
                nn.AdaptiveAvgPool2d(ii),
                nn.Conv2d(512, 512, 1, 1, bias=False),
                nn.ReLU(inplace=True)))

self.ppms = nn.ModuleList(ppms)

我想将此模型调整为固定的输入大小，以便以后将其转换为ONNX格式。我假设输入张量形状为3 x 1600 x 1000（通道x宽度x高度）。因此，我将

nn.AdaptiveAvgPool2d（ii）

替换为

nn.AvgPool2d（（1000//ii，1600//ii））

。 我还验证了平均池的输入形状是整个模型的输入形状-（3x1600x100）

此外，我已经（在别处）验证了两个版本合并后的输出张量形状是相同的

但是，当我运行torch.onnx.export时，第二个版本崩溃，出现一个异常：

文件“C:\REPOSITORIES\poolnet2TF\venv\lib\site packages\torch\nn\modules\pooling.py”，第599行，向前 self.padding、self.ceil\u mode、self.count\u include\u pad、self.divisior\u override） 运行时错误：给定输入大小：（512x63x101）。计算输出大小：（512x0x0）。输出大小太小

---

这意味着与我的假设相反，两个版本合并后的输出张量是不同的。发生了什么？

您需要使用平均池层的输入形状，而不是模型的输入！平均池层的输入形状是模型的输入形状。这也得到了证实。谢谢，我会更新这个问题。你也可以添加整个模型定义吗？它就在问题的链接中。我尝试了一下，除了onnx似乎还没有实现的双线性外，我没有遇到任何关于默认arch的问题！您使用的是哪个版本的pytorch？你是怎么转换的？您是否指定了特定的op版本？您需要使用平均池层的输入形状，而不是模型的输入！平均池层的输入形状是模型的输入形状。这也得到了证实。谢谢，我会更新这个问题。你也可以添加整个模型定义吗？它就在问题的链接中。我尝试了一下，除了onnx似乎还没有实现的双线性外，我没有遇到任何关于默认arch的问题！您使用的是哪个版本的pytorch？你是怎么转换的？您是否指定了特定的op版本？