PyTorch基础（13）-- torch.nn.Unfold()方法
前言
最近在看新论文的过程中，发现新论文中的代码非常简洁，只用了unfold和fold方法便高效的将论文的思想表达出，因此学习记录一下unfold和fold方法。
一、方法详解
方法
torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1)
parameters
kernel_size (int or tuple) – 滑动窗口的size
stride (int or tuple, optional) – 空间维度上滑动的步长，默认步长为1
padding (int or tuple, optional) – implicit zero padding to be added on both sides of input. Default: 0
dilation (int or tuple, optional) – 空洞卷积的扩充率，默认为1
释义：提取滑动窗口滑过的所有值，例如下面的例子中，
[[ 0.4009, 0.6350, -0.5197, 0.8148, -0.7235],
[-1.2102, 0.4621, -0.3421, -0.9261, -2.8376],
[-1.5553, 0.1713, 0.6820, -2.0880, -0.0204],
[ 1.1419, -0.4881, -0.9510, -0.0367, -0.8108],
[ 0.1459, -0.4568, 1.0039, -1.2385, -1.4467]]
kernel size =3 的窗口滑过，会首先记录
[[ 0.4009, 0.6350, -0.5197, -1.2102, 0.4621, -0.3421, -1.5553, 0.1713, 0.6820],[ 0.6350, -0.5197, 0.8148, 0.4621, -0.3421, -0.9261, 0.1713, 0.6820, -2.0880],[-0.5197, 0.8148, -0.7235, -0.3421, -0.9261, -2.8376, 0.6820, -2.0880, -0.0204],[-1.2102, 0.4621, -0.3421, -1.5553, 0.1713, 0.6820, 1.1419, -0.4881, -0.9510],[ 0.4621, -0.3421, -0.9261, 0.1713, 0.6820, -2.0880, -0.4881, -0.9510, -0.0367],[-0.3421, -0.9261, -2.8376, 0.6820, -2.0880, -0.0204, -0.9510, -0.0367, -0.8108],[-1.5553, 0.1713, 0.6820, 1.1419, -0.4881, -0.9510, 0.1459, -0.4568, 1.0039],[ 0.1713, 0.6820, -2.0880, -0.4881, -0.9510, -0.0367, -0.4568, 1.0039, -1.2385],[ 0.6820, -2.0880, -0.0204, -0.9510, -0.0367, -0.8108, 1.0039, -1.2385, -1.4467]]
Note：unfold方法的输入只能是4维的，即（N，C，H，W）
二、如何计算输出的size
- 栗子
import torch
import torch.nn as nn
if __name__ == '__main__':x = torch.randn(2, 3, 5, 5)print(x)unfold = nn.Unfold(2)y = unfold(x)print(y.size())print(y)
- 运行结果
torch.Size([2, 12, 16])
接下来，我们一步一步分析这个结果是怎么计算出来的！
首先，要知道的是，我们的输入必须是4维的，即（B，C，H，W），其中，B表示Batch size；C代表通道数；H代表feature map的高；W表示feature map的宽。首先，我们假设经过Unfolder处理之后的size为（B，h，w）。然后我们需要计算h（即输出的高），计算公式如下所示：
这里是引用举个栗子：假设输入通道数为3，kernel size为（2，2），图片最常见的通道数为3（所以我们拿来举例），经过Unfolder方法后，输出的高变为322=12，即输出的H为12。
计算完成之后，我们需要计算w，计算公式如下所示：
其中，d代表的是空间的所有维度数，例如空间维度为（H，W），则d=2。下面通过举例，我们来计算输出的w。
举个栗子：如果输入的H、W分别为5，kernel size为2，则输出的w为
4*4=16，故最终的输出size为[2，12，16]。
三、案例
案例
import torch
import torch.nn as nn
if __name__ == '__main__':x = torch.randn(1, 3, 5, 5)print(x)unfold = nn.Unfold(kernel_size=3)output = unfold(x)print(output, output.size())
运行结果
tensor([[[[ 0.4009, 0.6350, -0.5197, 0.8148, -0.7235],[-1.2102, 0.4621, -0.3421, -0.9261, -2.8376],[-1.5553, 0.1713, 0.6820, -2.0880, -0.0204],[ 1.1419, -0.4881, -0.9510, -0.0367, -0.8108],[ 0.1459, -0.4568, 1.0039, -1.2385, -1.4467]],[[-0.9973, -0.7601, -0.2161, 1.2120, -0.3036],[-0.7279, 0.0833, -0.8886, -0.9168, 0.7503],[-0.6748, 0.7064, 0.6903, -1.0447, 0.8688],[-0.5230, -1.2308, -0.3932, 1.2521, -0.2523],[-0.3930, 0.6452, 0.1690, 0.3744, 0.2015]],[[ 0.6403, 1.3915, -1.9529, 0.2899, -0.8897],[-0.1720, 1.0843, -1.0177, -1.7480, -0.5217],[-0.9648, -0.0867, -0.2926, 0.3010, 0.3192],[ 0.1181, -0.2218, 0.0766, 0.5914, -0.8932],[-0.4508, -0.3964, 1.1163, 0.6776, -0.8948]]]])
tensor([[[ 0.4009, 0.6350, -0.5197, -1.2102, 0.4621, -0.3421, -1.5553,0.1713, 0.6820],[ 0.6350, -0.5197, 0.8148, 0.4621, -0.3421, -0.9261, 0.1713,0.6820, -2.0880],[-0.5197, 0.8148, -0.7235, -0.3421, -0.9261, -2.8376, 0.6820,-2.0880, -0.0204],[-1.2102, 0.4621, -0.3421, -1.5553, 0.1713, 0.6820, 1.1419,-0.4881, -0.9510],[ 0.4621, -0.3421, -0.9261, 0.1713, 0.6820, -2.0880, -0.4881,-0.9510, -0.0367],[-0.3421, -0.9261, -2.8376, 0.6820, -2.0880, -0.0204, -0.9510,-0.0367, -0.8108],[-1.5553, 0.1713, 0.6820, 1.1419, -0.4881, -0.9510, 0.1459,-0.4568, 1.0039],[ 0.1713, 0.6820, -2.0880, -0.4881, -0.9510, -0.0367, -0.4568,1.0039, -1.2385],[ 0.6820, -2.0880, -0.0204, -0.9510, -0.0367, -0.8108, 1.0039,-1.2385, -1.4467],[-0.9973, -0.7601, -0.2161, -0.7279, 0.0833, -0.8886, -0.6748,0.7064, 0.6903],[-0.7601, -0.2161, 1.2120, 0.0833, -0.8886, -0.9168, 0.7064,0.6903, -1.0447],[-0.2161, 1.2120, -0.3036, -0.8886, -0.9168, 0.7503, 0.6903,-1.0447, 0.8688],[-0.7279, 0.0833, -0.8886, -0.6748, 0.7064, 0.6903, -0.5230,-1.2308, -0.3932],[ 0.0833, -0.8886, -0.9168, 0.7064, 0.6903, -1.0447, -1.2308,-0.3932, 1.2521],[-0.8886, -0.9168, 0.7503, 0.6903, -1.0447, 0.8688, -0.3932,1.2521, -0.2523],[-0.6748, 0.7064, 0.6903, -0.5230, -1.2308, -0.3932, -0.3930,0.6452, 0.1690],[ 0.7064, 0.6903, -1.0447, -1.2308, -0.3932, 1.2521, 0.6452,0.1690, 0.3744],[ 0.6903, -1.0447, 0.8688, -0.3932, 1.2521, -0.2523, 0.1690,0.3744, 0.2015],[ 0.6403, 1.3915, -1.9529, -0.1720, 1.0843, -1.0177, -0.9648,-0.0867, -0.2926],[ 1.3915, -1.9529, 0.2899, 1.0843, -1.0177, -1.7480, -0.0867,-0.2926, 0.3010],[-1.9529, 0.2899, -0.8897, -1.0177, -1.7480, -0.5217, -0.2926,0.3010, 0.3192],[-0.1720, 1.0843, -1.0177, -0.9648, -0.0867, -0.2926, 0.1181,-0.2218, 0.0766],[ 1.0843, -1.0177, -1.7480, -0.0867, -0.2926, 0.3010, -0.2218,0.0766, 0.5914],[-1.0177, -1.7480, -0.5217, -0.2926, 0.3010, 0.3192, 0.0766,0.5914, -0.8932],[-0.9648, -0.0867, -0.2926, 0.1181, -0.2218, 0.0766, -0.4508,-0.3964, 1.1163],[-0.0867, -0.2926, 0.3010, -0.2218, 0.0766, 0.5914, -0.3964,1.1163, 0.6776],[-0.2926, 0.3010, 0.3192, 0.0766, 0.5914, -0.8932, 1.1163,0.6776, -0.8948]]]) torch.Size([1, 27, 9])
觉得写的不错的话，欢迎点赞+评论+收藏，这对我帮助很大！
PyTorch基础（13）-- torch.nn.Unfold()方法相关推荐
- 直观理解 torch.nn.Unfold
torch.nn.Unfold 是把batch中的数据按 C.Kernel_W.Kernel_H 打包,详细解释参考: PyTorch中torch.nn.functional.unfold函数使用详解 ...
- PyTorch中的torch.nn.Parameter() 详解
PyTorch中的torch.nn.Parameter() 详解 今天来聊一下PyTorch中的torch.nn.Parameter()这个函数,笔者第一次见的时候也是大概能理解函数的用途,但是具体实 ...
- torch.nn.Unfold()详细解释
torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1) 功能:从一个批次的输入张量中提取出滑动的局部区域块.(Extracts sl ...
- torch.nn.Unfold类
PyTorch中torch.nn.Unfold类 官方文档连接:torch.nn.Unfold类. class torch.nn.Unfold(kernel_size, dilation=1, pad ...
- Pytorch 学习（6）：Pytorch中的torch.nn Convolution Layers 卷积层参数初始化
Pytorch 学习(6):Pytorch中的torch.nn Convolution Layers 卷积层参数初始化 class Conv1d(_ConvNd):......def __init ...
- PyTorch基础（12）-- torch.nn.BatchNorm2d()方法
Batch Normanlization简称BN,也就是数据归一化,对深度学习模型性能的提升有很大的帮助.BN的原理可以查阅我之前的一篇博客.白话详细解读(七)----- Batch Normaliz ...
- PyTorch基础（七）----- torch.nn.AdaptiveAvgPool2d()方法
一.方法简介 方法 含义:对张量应用一个自适应的平均池化,只需要输入输出的size即可. - torch.nn.AdaptiveAvgPool2d(output_size) 参数及注意事项 - 1.o ...
- pytorch笔记：torch.nn.Threshold
1 使用方法 torch.nn.Threshold(threshold, value, inplace=False) 对输入进Threshold的Tensor进行阈值操作 2 使用举例 import ...
- pytorch笔记：torch.nn.functional.pad
1 torch.nn.functional.pad函数 torch.nn.functional.pad是pytorch内置的tensor扩充函数,便于对数据集图像或中间层特征进行维度扩充 torch. ...
最新文章
- mac linux loader,M3 Bitlocker Loader Mac版
- 天气模式_江西现罕见持续阴雨寡照天气 市民开启“花式吐槽”模式
- php 接口继承,详细对比php中类继承和接口继承
- LinuxC高级编程——线程间同步
- Ubicomp2018年论文列表
- 前端组件化和模块化最大的区别是什么_7招提升你的前端开发效率
- 聚焦BCS|北京网络安全大会产业峰会：探寻产业规模增长之道
- SIGIR‘22 推荐系统论文之对比学习篇
- 好用的电脑录屏软件！来看看这几款！
- 数字信号处理经典书籍
- 芯片设计流程 芯片的设计原理图
- 为什么“家徒四壁”中的徒是仅仅，只有的意思？
- SMART 原则以及实际案例
- BeautyGAN图片的高精度美颜
- Android使用java和kotlin混合开发时 发现黄油刀BindView失效
- k8s——flannel网络
- log4j2输出中文乱码
- 关于babe-loader^8.0.6的配置问题
- 将数字上调至8的倍数
- 亚马逊电商数据自动化管理接口平台JAVA SP-API接口开发（中）