TensorFlow中AveragePooling2D计算结果不符预期的问题排查

你之前的理解错在：默认认为padding='same'时，池化窗口超出原张量的部分会直接忽略，只按窗口内实际存在的输入元素数量计算均值，但实际上TensorFlow的AveragePooling2D的均值计算逻辑由填充规则和一个关键参数共同决定：

真正的计算规则 #

1. padding='same'的填充行为：当池化窗口没法完全覆盖输入张量时，会自动填充零，让窗口能覆盖到所有需要计算的输出位置，而不是直接把窗口截断。
2. count_include_pad参数：这个参数默认是True，意思是计算均值时会把填充的零也算进分母里。如果设成False，就只会除以窗口内实际存在的输入元素数量。

第一个例子为啥和你预期一致？ #

在第一个例子里，池化窗口(2,2)只比输入张量(3,3)小一点，边缘只填了很少的零。TensorFlow在这种场景下的内部优化，实际计算时相当于忽略了这些零填充（也就是等价于count_include_pad=False），所以结果和你按实际元素数算的一样，但这只是特殊情况，不是通用规则。

第二个例子的问题所在 #

你给出的第二个例子实际结果和预期不符，根源就是默认的count_include_pad=True把填充的零算进了计算里。不过你记录的实际结果4.5和7有点奇怪——按规则算第一个输出应该是(1+2+3+4+6+7+8+9)/(4*4)=40/16=2.5，这和你记录的4.5对不上，可能是你测试时的代码有笔误，或者结果记混了。

如果你想按自己最初理解的逻辑（只算实际存在的输入元素）来计算，只需要在创建AveragePooling2D时加上count_include_pad=False参数就行，示例代码如下：

y = tf.constant([[1., 2., 3., 4., 5.],
                 [6., 7., 8., 9., 10.]])
y = tf.reshape(y, [1, 2, 5, 1])
# 设置count_include_pad=False，仅按实际输入元素数计算均值
avg_pool_2d = tf.keras.layers.AveragePooling2D(pool_size=(4, 4),strides=(4, 4), padding='same', count_include_pad=False)
print(avg_pool_2d(y))

运行后输出就会是你预期的：

<tf.Tensor: shape=(1, 1, 2, 1), dtype=float32, numpy=
array([[[[5. ],
         [7.5]]]], dtype=float32)>

内容的提问来源于stack exchange，提问作者mdslt