Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
为AvgPoolV2Grad新增了对Ascend 35架构上NHWC数据格式的完整支持与性能优化。 主要解决了两个核心问题： 一是算子原先不支持SIMD NHWC格式，限制了其在特定硬件上的应用场景； 二是通过实现新的Tiling策略和计算内核，优化了NHWC格式下的内存访问与并行计算效率，以解决潜在的性能瓶颈。 此外，PR还修复了原有NCHW实现中一处错误信息打印错误，并优化了全局池化模式下的校验逻辑顺序。
NA
平均池化(Average Pooling)是卷积神经网络(CNN)中常用的一种技术，是一种通过对局部接受域内所有值求均值实现特征降维的池化方法。以下是关于平均池化的详细解释：
定义与工作原理：其本质为减少特征提取过程中邻域受限导致的估计值方差，常用于保留图像背景信息。具体来说，它类似于一个滑动窗口在输入特征图上滑动，对于每个局部区域，平均池化选择该区域内的平均数值作为输出结果。例如，对于一个2x2的池化核，如果输入是[[1,2], [3,4]]，那么平均池化的输出就是2.5，因为2.5是这个区域内的平均值。
优点：平均池化有助于保持全局信息，而自适应平均池化则允许在任何输入尺寸下保持固定大小的输出。
参数：平均池化操作通常包括两个主要参数：池化窗口大小（池化核大小）和步幅（stride）。例如，常用的S=2,f=2的效果是特征图高度、宽度减半，通道数不变。
1）一个通用的Tiling策略类（AvgPoolV2GradCommonNHWCTiling），用于动态计算最优的数据切分和核心分配策略，以适配不同输入形状并充分利用硬件资源； 2）一个高度模板化的高性能计算内核（AvgPoolV2GradKernelNHWC），利用AscendC微API进行向量化计算，支持多种数据类型和配置； 3）在主调度逻辑中新增分支，以调用新的NHWC内核。 同时，修复了NCHW实现中w维度形状值打印错误的问题，并调整了全局池化模式下梯度形状检查的顺序，确保逻辑正确性。
/assign
Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
Backgroud（背景信息）
为AvgPoolV2Grad新增了对Ascend 35架构上NHWC数据格式的完整支持与性能优化。
主要解决了两个核心问题：
一是算子原先不支持SIMD NHWC格式，限制了其在特定硬件上的应用场景；
二是通过实现新的Tiling策略和计算内核，优化了NHWC格式下的内存访问与并行计算效率，以解决潜在的性能瓶颈。
此外，PR还修复了原有NCHW实现中一处错误信息打印错误，并优化了全局池化模式下的校验逻辑顺序。
Origin（信息来源）
NA
Benefit / Necessity （价值/作用）
平均池化(Average Pooling)是卷积神经网络(CNN)中常用的一种技术，是一种通过对局部接受域内所有值求均值实现特征降维的池化方法。以下是关于平均池化的详细解释：
定义与工作原理：其本质为减少特征提取过程中邻域受限导致的估计值方差，常用于保留图像背景信息。具体来说，它类似于一个滑动窗口在输入特征图上滑动，对于每个局部区域，平均池化选择该区域内的平均数值作为输出结果。例如，对于一个2x2的池化核，如果输入是[[1,2], [3,4]]，那么平均池化的输出就是2.5，因为2.5是这个区域内的平均值。
优点：平均池化有助于保持全局信息，而自适应平均池化则允许在任何输入尺寸下保持固定大小的输出。
参数：平均池化操作通常包括两个主要参数：池化窗口大小（池化核大小）和步幅（stride）。例如，常用的S=2,f=2的效果是特征图高度、宽度减半，通道数不变。
Design（设计方案）
1）一个通用的Tiling策略类（AvgPoolV2GradCommonNHWCTiling），用于动态计算最优的数据切分和核心分配策略，以适配不同输入形状并充分利用硬件资源；
2）一个高度模板化的高性能计算内核（AvgPoolV2GradKernelNHWC），利用AscendC微API进行向量化计算，支持多种数据类型和配置；
3）在主调度逻辑中新增分支，以调用新的NHWC内核。
同时，修复了NCHW实现中w维度形状值打印错误的问题，并调整了全局池化模式下梯度形状检查的顺序，确保逻辑正确性。