这里只考虑avg-pooling。

1. 根据Paddle最新code，对于如下pooling设置：
   batchsize: 1
   channel: 1
   input image size: 3
   output image size: 2
   kernel size: 3
   padding size: 1
   stride size: 2
   加上Padding后输入图片的数据为：

0	0	0	0	0
0	0.33958	0.320544	0.173373	0
0	0.050157	0.025043	0.671224	0
0	0.556442	0.787041	0.218098	0
0	0	0	0	0

forward的输出结果为：

0.081703	0.132243
0.157632	0.189045

可以看出来每个数都是除以的9，所以这个结果是属于inclusive的，也就是平均的时候包含了padding的0.

2. 另外一个case，相比之前的例子把input image size改为4，padding size为0，其他不变
   得到一个输入：

0.458402	0.949747	0.165358	0.327871
0.844729	0.449376	0.000869	0.774723
0.326577	0.323052	0.444988	0.277968
0.622502	0.119946	0.636519	0.091483

此时Forward的输出为：

0.440344	0.331963
0.412264	0.36274

显然这个最右下角的结果0.36274，是需要在输入数据的右面和下面加padding才能凑满size 为3的kernel ，也就是说逻辑上的输入是这样的：（假设自动padding 0）

0.458402	0.949747	0.165358	0.327871	0
0.844729	0.449376	0.000869	0.774723	0
0.326577	0.323052	0.444988	0.277968	0
0.622502	0.119946	0.636519	0.091483	0
0	0	0	0	0

如果按照inclusive的逻辑，那个值是这个矩阵的avg：

0.444988	0.277968	0
0.636519	0.091483	0
0	0	0

那么结果应该是1.450958 / 9 = 0.161218, 而显然，paddle的结果并不是这个，而是1.450958 / 4 = 0.36274，这是属于exclusive的pooling。

所以我就有点疑惑了，或者说对于设计者来说，他可能并不能知道这件事情，但是这个对于model的设计应该是重要的。

或者说，我的问题是这里avg pooling的设计是遵从的什么准则，个人觉得不应该是两者的混合。

PS：这些值都是在现在paddle中加log打印出来的。