input = torch.randn(20, 2, 11, 11, 32)
m = torch.nn.AdaptiveAvgPool3d((1,1, 32))
x=m(input)
print(x.shape)结果：
也就是不用管批次和通道数
input = torch.randn(20, 2, 11, 11, 32)输出形式
黯止依蓝2023-12-15 19:05
相关推荐
聆风吟º2 小时前
CANN runtime 全链路拆解：AI 异构计算运行时的任务管理与功能适配技术路径AI_56782 小时前
AWS EC2新手入门：6步带你从零启动实例User_芊芊君子2 小时前
CANN大模型推理加速引擎ascend-transformer-boost深度解析：毫秒级响应的Transformer优化方案ValhallaCoder2 小时前
hot100-二叉树I智驱力人工智能3 小时前
小区高空抛物AI实时预警方案 筑牢社区头顶安全的实践 高空抛物检测 高空抛物监控安装教程 高空抛物误报率优化方案 高空抛物监控案例分享人工不智能5773 小时前
拆解 BERT：Output 中的 Hidden States 到底藏了什么秘密？猫头虎3 小时前
如何排查并解决项目启动时报错Error encountered while processing: java.io.IOException: closed 的问题h64648564h3 小时前
CANN 性能剖析与调优全指南：从 Profiling 到 Kernel 级优化心疼你的一切3 小时前
解密CANN仓库：AIGC的算力底座、关键应用与API实战解析八零后琐话4 小时前
干货：程序员必备性能分析工具——Arthas火焰图