MinkowskiPooling池化（下）

MinkowskiPoolingTranspose
class MinkowskiEngine.MinkowskiPoolingTranspose(kernel_size, stride, dilation=1, kernel_generator=None, dimension=None)
稀疏张量的池转置层。
展开功能，然后将其除以贡献的非零元素的数量。
init(kernel_size, stride, dilation=1, kernel_generator=None, dimension=None)
用于稀疏张量的高维解卷层。
Args:
kernel_size (int, optional): 输出张量中内核的大小。如果未提供，则region_offset应该是 RegionType.CUSTOM并且region_offset应该是具有大小的2D矩阵N×D 这样它列出了所有D维度的 N 偏移量。.
stride (int, or list, optional): stride size of the convolution layer. If non-identity is used, the output coordinates will be at least stride ×× tensor_stride away. When a list is given, the length must be D; each element will be used for stride size for the specific axis.
dilation (int, or list, optional): 卷积内核的扩展大小。给出列表时，长度必须为D，并且每个元素都是轴特定的膨胀。所有元素必须> 0。
kernel_generator (MinkowskiEngine.KernelGenerator, optional): 定义自定义内核形状。
dimension（int）：定义所有输入和网络的空间的空间尺寸。例如，图像在2D空间中，网格和3D形状在3D空间中。
cpu() → T
将所有模型参数和缓冲区移至CPU。
返回值：
模块：self
cuda(device: Optional[Union[int, torch.device]] = None) → T
将所有模型参数和缓冲区移至GPU。
这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。
参数：
设备（整数，可选）：如果指定，则所有参数均为
复制到该设备
返回值：
模块：self
double（） →T
将所有浮点参数和缓冲区强制转换为double数据类型。
返回值：
模块：self
float（） →T
将所有浮点参数和缓冲区强制转换为float数据类型。
返回值：
模块：self
forward(input: SparseTensor.SparseTensor, coords: Union[torch.IntTensor, MinkowskiCoords.CoordsKey, SparseTensor.SparseTensor] = None)
input (MinkowskiEngine.SparseTensor): Input sparse tensor to apply a convolution on.
coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional): If provided, generate results on the provided coordinates. None by default.
to(*args, **kwargs)
Moves and/or casts the parameters and buffers.
This can be called as
to(device=None, dtype=None, non_blocking=False)
to(dtype, non_blocking=False)
to(tensor, non_blocking=False)
to(memory_format=torch.channels_last)
其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区，但dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。
请参见下面的示例。
Args:
device (torch.device): the desired device of the parameters
and buffers in this module
dtype (torch.dtype): the desired floating point type of
the floating point parameters and buffers in this module
tensor (torch.Tensor): Tensor whose dtype and device are the desired
dtype and device for all parameters and buffers in this module
memory_format (torch.memory_format): the desired memory
format for 4D parameters and buffers in this module (keyword only argument)
Returns:
Module: self
Example:

linear = nn.Linear(2, 2)
linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]])

linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)

linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]], dtype=torch.float64)

gpu1 = torch.device(“cuda:1”)
linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)

linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16, device=‘cuda:1’)

cpu = torch.device(“cpu”)
linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)

linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16)
type(dst_type: Union[torch.dtype, str]) → T
Casts all parameters and buffers to dst_type.
Arguments:
dst_type (type or string): the desired type
Returns:
Module: self
MinkowskiGlobalPooling
class MinkowskiEngine.MinkowskiGlobalPooling(average=True, mode=<GlobalPoolingMode.AUTO: 0>)
将所有输入功能集中到一个输出。

将稀疏坐标减少到原点，即将每个点云减少到原点，返回batch_size点的数量[[0，0，…，0]，[0，0，…，1] , [0， 0，…，2]]，其中坐标的最后一个元素是批处理索引。
Args:
average (bool): 当为True时，返回平均输出。如果不是，则返回所有输入要素的总和。
cpu() → T
将所有模型参数和缓冲区移至CPU。
返回值：
模块：自我
Module: self
cuda(device: Optional[Union[int, torch.device]] = None) → T
将所有模型参数和缓冲区移至GPU。
这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。
参数：
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
将所有浮点参数和缓冲区强制转换为double数据类型。
Returns:
Module: self
float() → T
将所有浮点参数和缓冲区强制转换为float数据类型。
返回值：
模块：self
forward(input)
to(*args, **kwargs)
移动和/或强制转换参数和缓冲区。
这可以称为
to(device=None, dtype=None, non_blocking=False)
to(dtype, non_blocking=False)
to(tensor, non_blocking=False)
to(memory_format=torch.channels_last)
其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区，dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。
请参见下面的示例。
Args:
device (torch.device): the desired device of the parameters
and buffers in this module
dtype (torch.dtype): the desired floating point type of
the floating point parameters and buffers in this module
tensor (torch.Tensor): Tensor whose dtype and device are the desired
dtype and device for all parameters and buffers in this module
memory_format (torch.memory_format): the desired memory
format for 4D parameters and buffers in this module (keyword only argument)
Returns:
Module: self
Example:

linear = nn.Linear(2, 2)
linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]])

linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)

linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]], dtype=torch.float64)

gpu1 = torch.device(“cuda:1”)
linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)

linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16, device=‘cuda:1’)

cpu = torch.device(“cpu”)
linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)

linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16)
type(dst_type: Union[torch.dtype, str]) → T
Casts all parameters and buffers to dst_type.
Arguments:
dst_type (type or string): the desired type
Returns:
Module: self

MinkowskiPooling池化（下）相关推荐

MinkowskiPooling池化（上）
MinkowskiPooling池化(上) 如果内核大小等于跨步大小(例如kernel_size = [2,1],跨步= [2,1]),则引擎将更快地生成与池化函数相对应的输入输出映射. 如果使用U网 ...
卷积下采样和池化的区别
池化通常池化层紧跟在 CNN 的卷积层之后. 池化方法: max-pooling:对邻域内特征点取最大值 mean-pooling:对邻域内特征点求平均池化的作用: 降维,减少网络要学习的参数数量 ...
pytorch —— 池化、线性、激活函数层
1.池化层--Pooling Layer 池化运算:对信号进行"收集"并"总结",类似水池收集水资源,因为得名池化层. 收集:多变少: 总结:最大值/平均值 1 ...
Week3：[任务三] nn网络层-池化、线性、激活函数网络层
[目录] 池化层--Pooling Layer 线性层--Linear Layer 激活函数层--Activation Layer 1.池化层据观察可得,池化后的图片与池化前相比较,细节信息并没有丢 ...
卷积神经网络池化层上采样（upsampling、interpolating）、下采样（subsampled、downsampled）是什么？（上采样为放大图像或图像插值、下采样为缩小图像）
缩小图像:或称为下采样(subsampled)或降采样(downsampled) 主要目的有两个:1.使得图像符合显示区域的大小:2.生成对应图像的缩略图. 放大图像:或称为上采样(upsamplin ...
【小白学PyTorch】扩展之Tensorflow2.0 | 21 Keras的API详解（下）池化、Normalization
<<小白学PyTorch>> 扩展之Tensorflow2.0 | 21 Keras的API详解(上)卷积.激活.初始化.正则扩展之Tensorflow2.0 | 20 TF ...
tensorflow环境下的识别食物_在TensorFlow+Keras环境下使用RoI池化一步步实现注意力机制...
在本文中,作者解释了感兴趣区域池化(RoI 池化)的基本概念和一般用法,以及如何使用它来实现注意力机制.他一步步给出了在 Keras 和 TensorFlow 环境下使用 RoI 池化的实现. 选自 ...
通道注意力机制keras_在TensorFlow+Keras环境下使用RoI池化一步步实现注意力机制
项目地址:https://gist.github.com/Jsevillamol/0daac5a6001843942f91f2a3daea27a7 理解 RoI 池化 RoI 池化的概念由 Ross ...
卷积向下取整池化向上取整
卷积向下取整池化向上取整在我计算GoogLeNet的每一步的图片的尺寸的时候我运用卷积的计算公式对对我们的图片的尺寸进行计算,却发现是不行的,我就很疑惑我用的是一下公式 (1)输入数据体的尺寸 ...

MinkowskiPooling池化（下）

MinkowskiPooling池化（下）相关推荐

最新文章

热门文章