一、Pytorch中AdaptiveAvgPool2d函数详解

torch.nn.AdaptiveAvgPool2d()接受两个参数，分别为输出特征图的长和宽，其通道数前后不发生变化。如以下：

self.global_avgpool = nn.AdaptiveAvgPool2d(1)     # 输出N*C*1*1
self.global_avgpool = nn.AdaptiveAvgPool2d((5,5)) # 输出N*C*5*5

参考：

官方AdaptiveAvgPool2d介绍

官方AvgPool2d介绍

自适应平均池化是一种池化方法，可以在不同大小的输入中自适应地对每个位置进行平均池化。不需要指定池化核的大小，而是通过输出的大小来决定池化的大小和步幅。实际上AdaptiveAvgPool2d就是AvgPool2d，但是相比之下AdaptiveAvgPool2d指定输出大小可以固定输出大小，在一些模型输入不固定大小的场景下确保了输出的大小（kernel变化），而AvgPool2d会由于输入的大小而导致输出不定（kernel固定）。

self.global_avgpool = nn.AvgPool2d(kernel_size, stride)

二、如何用AvgPool2d替换AdaptiveAvgPool2d

个人测试ncnn和Ascend端侧是不支持AdaptiveAvgPool2d算子的，这个时候如果直接转换是不行的，而根据上述，完全可以考虑把模型中的AdaptiveAvgPool2d更改为AvgPool2d，不过这时候需要根据输入计算一下kernel大小，stride默认是等于kernel。

    def __init__(self, channels: int, init_cfg: OptMultiConfig = None) -> None:
        super().__init__(init_cfg=init_cfg)
        self.global_avgpool = nn.AdaptiveAvgPool2d(1)
       
    def forward(self, x: Tensor) -> Tensor:
        # AdaptiveAvgPool2d
        out_1 = self.global_avgpool(x)
        
        # AvgPool2d
        size = x.shape[2:]
        k = [int(size[i]) for i in range(0, len(size))]
        out_2 = F.avg_pool2d(
            x,
            kernel_size=k,
        )

       return out_1, out_2

如我这里希望输出是(1,1)的大小，那么kernel就是input_size/output_size=input_size，即输入的大小，这样就可以完成等价替换了。通过netorn可以查看，且经过测试可以通过ncnn和Ascend端侧的模型转换（即转为.param&.bin或者.om模型文件）