fix avg docs

docs/api/api_python/ops/mindspore.ops.AdaptiveAvgPool2D.rst

@@ -5,49 +5,4 @@
 
     2维自适应平均池化。
 
-    对输入Tensor，提供2维的自适应平均池化操作，也就是说，对于输入任何尺寸，指定输出的尺寸都为H * W。但是输入和输出特征的数目不会变化。
-
-    输入和输出数据格式可以是"NCHW"和"CHW"。N是批处理大小，C是通道数，H是特征高度，W是特征宽度。
-
-    对于2维的自适应平均池化操作，有如下公式：
-
-    .. math::
-        \begin{align}
-        h_{start} &= floor(i * H_{in} / H_{out})\\
-        h_{end} &= ceil((i + 1) * H_{in} / H_{out})\\
-        w_{start} &= floor(j * W_{in} / W_{out})\\
-        w_{end} &= ceil((j + 1) * W_{in} / W_{out})\\
-        Output(i,j) &= \frac{\sum Input[h_{start}:h_{end}, w_{start}:w_{end}]}{(h_{end}- h_{start})
-        * (w_{end}- w_{start})}
-        \end{align}
-
-    **参数：**
-
-    - **output_size** (Union[int, tuple]) - 输出特征图的尺寸为H * W。可以是int类型的H和W组成的tuple，也可以是H * H的单个H，或None，如果是None，这意味着输出大小与输入相同。
-
-    **输入：**
-
-    - **input_x** (Tensor) - AdaptiveAvgPool2D的输入，为三维或四维的Tensor，数据类型为float16、float32或者float64。
-
-    **输出：**
-
-    Tensor，数据类型与 `input_x` 相同。
-
-    输出的shape为 `input_x_shape[:len(input_x_shape) - len(out_shape)] + out_shape` 。
-
-    .. math::
-        out\_shape = \begin{cases}
-        input\_x\_shape[-2] + output\_size[1], & \text{if output_size is (None, w);}\\
-        output\_size[0] + input\_x\_shape[-1], & \text{if output_size is (h, None);}\\
-        input\_x\_shape[-2:], & \text{if output_size is (None, None);}\\
-        (h, h), & \text{if output_size is h;}\\
-        (h, w), & \text{if output_size is (h, w)}
-        \end{cases}
-
-    **异常：**
-
-    - **ValueError** - 如果 `output_size` 是tuple，并且 `output_size` 的长度不是2。
-    - **ValueError** - 如果 `input_x` 的维度小于或等于 `output_size` 的维度。
-    - **TypeError** - 如果 `input_x` 不是Tensor。
-    - **TypeError** - 如果 `input_x` 的数据类型不是float16、float32或者float64。
-
+    更多参考详见 :func:`mindspore.ops.adaptive_avg_pool2d`。

mindspore/python/mindspore/ops/function/nn_func.py

@@ -20,7 +20,7 @@ from mindspore.ops.operations import nn_ops as NN
 from ...common.tensor import Tensor
 
 
-def adaptive_avg_pool2d(x, output_size):
+def adaptive_avg_pool2d(input_x, output_size):
     r"""
     2D adaptive average pooling for temporal data.
 
@@ -107,7 +107,7 @@ def adaptive_avg_pool2d(x, output_size):
          [[4.5 5.5]]]
     """
     adaptive_avgpool2d_ = P.AdaptiveAvgPool2D(output_size)
-    return adaptive_avgpool2d_(x)
+    return adaptive_avgpool2d_(input_x)
 
 
 def avg_pool2d(x, kernel_size=1, strides=1, pad_mode='valid', data_format='NCHW'):