PoolingNd层（Pooling层）1

在TensorRT中，PoolingNd层（也称为Pooling层）是一种用于神经网络的降采样操作，主要用于减少输入特征图的维度，同时保持其主要特征。它通常用于卷积神经网络（CNNs）中，以降低计算复杂度并提高模型的泛化能力。在TensorRT 8之前的版本中，我们可以使用`add_pooling_nd`或`add_pooling`方法来添加这个层。然而，从TensorRT 9开始，这些方法已被废弃，推荐使用`add_pooling_nd`。 **参数详解：** 1. **type**: 这个参数定义了池化类型，可以是最大池化（`trt.PoolingType.MAX`）或平均池化（`trt.PoolingType.AVERAGE`）。最大池化选取每个窗口内的最大值，而平均池化则计算窗口内所有元素的平均值。 2. **window_size_nd (window_size)**: 定义了池化窗口的大小，可以是一个N维的元组。例如，对于二维池化，窗口大小可能为`(2, 2)`，表示在宽度和高度方向上进行2x2的池化。 3. **stride_nd (stride)**: 表示滑动窗口在每个维度上的步长。步长决定了池化窗口在特征图上移动的距离。步长通常等于窗口大小，但也可以根据需求设置为其他值。 4. **padding_nd (padding)**: 用于指定填充的维度。填充可以在输入特征图的边缘添加额外的零，以便保持输出尺寸与输入尺寸相同。有三种填充模式：`same`、`valid`和`explicit`。在TensorRT中，这些模式可以通过`pre_padding`和`post_padding`来手动设置。 5. **average_count_excludes_padding**: 如果在平均池化中设置为True，那么计算平均值时将忽略填充区域。如果设置为False，那么包括填充区域。 **示例代码解析：** 在提供的示例代码中，创建了一个三维池化层，输入张量的形状为 `(1, 1, 6, 9)`，即1个样本，1个通道，高度6和宽度9。池化窗口大小为 `(2, 2)`，没有指定步长，因此默认为 `(2, 2)`。由于未设置padding，所以没有填充。使用的是最大池化（`trt.PoolingType.MAX`）。 代码首先定义了输入张量的数据，并创建了TensorRT构建器、网络和配置。接着，通过`add_pooling_nd`方法添加了Pool Layer，并将其标记为网络的输出。然后，构建并序列化网络，创建CUDA引擎，最后分配设备内存，执行计算并将结果从设备拷贝回主机。 在计算过程中，注意到输入张量的形状从 `(1, 1, 6, 9)` 变为了 `(1, 1, 3, 4)`，这是因为池化窗口覆盖了原始特征图的一部分，导致输出的维度减小。由于没有使用填充，所以输出的形状是基于输入形状和池化窗口大小计算得出的。 PoolingNd层在TensorRT中用于执行多维池化操作，它提供了灵活性，允许用户自定义池化窗口大小、步长和填充，以适应不同的神经网络架构。在更新到TensorRT 9及以上版本时，需要将旧的API替换为`add_pooling_nd`，以保持兼容性和最佳性能。