torch.nn.functional.avg_pool2d(...)与adaptive_avg_pool2d(...)：
avg_pool2d(input, kernel_size, stride, padding):平均池化公式：
input:输入张量
kernel_size:卷积核大小，如kernel_size=3,表示为卷积核大小为3X3
stride:滑动窗口步长
padding:外边加几圈0， 如padding=1, 表示外边加1圈0
例如：
F.avg_pool2d
input x的shape为torch.Size([1, 3, 2])
卷积核大小设置为2X2
步长为1
外边加一圈0
运行结果：
运行结果
草图
知道输入数据shape, 核大小，步长，padding，如何得到输出数据的shape:
公式：
卷积结果计算公式
上述例子中假设channel为1， 宽为3， 高为2
则：W=(3-2+2*1)/1 + 1=4
H=(1-2 + 2*1)/1 + 1 = 3
所以输出数据 shape为[1, 4, 3]
adaptive_avg_pool2d(input， output_size): 自适应平均池化公式：
input:输入张量
output_size：输出大小，如(1, 1), 表述输出结果最后2维必须为(1,1)，其他保持不变
例如：
F.adaptive_avg_pool2d
运行结果：
运行结果
自适应是如何知道卷积核的大小？其实是从上面公式推导出来的，知道输入、输出大小，假设padding=0, 就能够求出kernel_size。
