Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.

Backgroud（背景信息）

Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
为MaxPoolV3Grad新增了对Ascend 950架构的完整支持。

Origin（信息来源）

Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
Vector算子研发7组

Benefit / Necessity （价值/作用）

Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
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）

Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
1）一个通用的Tiling策略类（Simt），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）一个模板化的计算内核（Simt），利用AscendC微API进行向量化计算，支持多种数据类型和配置；