AdaptiveAvgPool3D 算子 API 描述【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力涵盖算子生成、算子优化等领域支撑模型选型、训练效果评估统一量化评估标准识别Agent能力短板构建CANN领域评测平台推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench1. 算子简介完成输入张量的3D自适应平均池化计算。主要应用场景3D 视频特征的空间和时间维度自适应降采样点云和体素数据的空间压缩全局平均池化output_size1用于分类网络的特征聚合不同分辨率输入统一到固定尺寸输出算子特征难度等级L3Reduction单输入单输出输入为 [N, C, D, H, W] 5维张量输出空间维度由 output_size 决定2. 算子定义数学公式$$ y \text{adaptive_avg_pool3d}(x, \text{output_size}) $$自适应平均池化根据目标输出尺寸自动计算每个输出位置对应的池化窗口大小和步长对窗口内元素取平均值。对于每个输出位置 $(d, h, w)$其对应的输入区域由 output_size 和输入尺寸共同决定。3. 接口规范算子原型cann_bench.adaptive_avg_pool3_d(Tensor x, list[int] output_size) - Tensor y输入参数说明参数类型默认值描述xTensor必选输入张量shape 为 [N, C, D, H, W] 的5维张量output_sizelist[int]必选输出尺寸格式为 [output_d, output_h, output_w]输出参数Shapedtype描述y[N, C, output_size_d, output_size_h, output_size_w]与输入 x 相同输出张量池化结果数据类型输入 dtype输出 dtypefloat32float32float16float16bfloat16bfloat16规则与约束输入必须为5维张量shape 格式为 [N, C, D, H, W]output_size 指定输出的空间维度大小输出 dtype 与输入 dtype 一致输出的 N 和 C 维度与输入保持一致仅空间维度 (D, H, W) 发生变化4. 精度要求采用生态算子精度标准进行验证。误差指标平均相对误差MERE采样点中相对误差平均值$$ \text{MERE} \text{avg}(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)\text{1e-7}}) $$最大相对误差MARE采样点中相对误差最大值$$ \text{MARE} \max(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)\text{1e-7}}) $$通过标准数据类型FLOAT16BFLOAT16FLOAT32HiFLOAT32FLOAT8 E4M3FLOAT8 E5M2通过阈值(Threshold)2^-102^-72^-132^-112^-32^-2当平均相对误差 MERE Threshold最大相对误差 MARE 10 * Threshold 时判定为通过。5. 标准 Golden 代码import torch AdaptiveAvgPool3D算子Torch Golden参考实现 完成输入张量的3D自适应平均池化计算 公式: y adaptive_avg_pool3d(x, output_size) def adaptive_avg_pool3_d( x: torch.Tensor, output_size: tuple[int, int, int] ) - torch.Tensor: 完成输入张量的3D自适应平均池化计算 公式: y adaptive_avg_pool3d(x, output_size) Args: x: 输入张量shape 为 [N, C, D, H, W] output_size: 输出尺寸格式为 (output_d, output_h, output_w) Returns: 输出张量池化结果 y torch.nn.functional.adaptive_avg_pool3d(x, output_size) return y6. 额外信息算子调用示例import torch import cann_bench x torch.randn(2, 32, 16, 64, 64, dtypetorch.float16, devicenpu) y cann_bench.adaptive_avg_pool3_d(x, [8, 8, 8]) # 自适应池化到 8x8x8 x torch.randn(2, 64, 32, 128, 128, dtypetorch.float32, devicenpu) y cann_bench.adaptive_avg_pool3_d(x, [1, 1, 1]) # 全局平均池化【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力涵盖算子生成、算子优化等领域支撑模型选型、训练效果评估统一量化评估标准识别Agent能力短板构建CANN领域评测平台推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
