MinkowskiPooling池化（上）

如果內核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），則引擎將更快地生成與池化函數相對應的輸入輸出映射。
如果使用U網絡架構，請使用相同功能的轉置版本進行上采樣。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。

stride (int, or list, optional)：卷積層的步幅大小。如果使用非同一性，則輸出坐標至少為stride ×× tensor_stride 遠。給出列表時，長度必須為D；每個元素將用于特定軸的步幅大小。
dilation (int, or list, optional)：卷積內核的擴展大小。給出列表時，長度必須為D，并且每個元素都是軸特定的膨脹。所有元素必須> 0。
kernel_generator (MinkowskiEngine.KernelGenerator, optional)：定義自定義內核形狀。
dimension（int）：定義所有輸入和網絡的空間的空間尺寸。例如，圖像在2D空間中，網格和3D形狀在3D空間中。
當kernel_size ==跨度時，不支持自定義內核形狀。
cpu() → T
將所有模型參數和緩沖區移至CPU。
Returns:
Module: self
cuda(device: Optional[Union[int, torch.device]] = None) → T
將所有模型參數和緩沖區移至GPU。
這也使關聯的參數并緩沖不同的對象。因此，在構建優化程序之前，如果模塊在優化過程中可以在GPU上運行，則應調用它。
Arguments:
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
將所有浮點參數和緩沖區強制轉換為double數據類型。
返回值：
模塊：self
float（） →T
將所有浮點參數和緩沖區強制轉換為float數據類型。
返回值：
模塊：self
forward(input: SparseTensor.SparseTensor, coords: Union[torch.IntTensor, MinkowskiCoords.CoordsKey, SparseTensor.SparseTensor] = None)
input (MinkowskiEngine.SparseTensor)：輸入稀疏張量以對其進行卷積。
coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional)：如果提供，則在提供的坐標上生成結果。默認情況下沒有。
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)
其簽名類似于torch.Tensor.to()，但僅接受所需dtype的浮點s。另外，此方法將僅將浮點參數和緩沖區強制轉換為dtype （如果給定的話）。device如果給定了整數參數和緩沖區 ，dtype不變。當 non_blocking被設置時，它試圖轉換/如果可能異步相對于移動到主機，例如，移動CPU張量與固定內存到CUDA設備。
此方法local修改模塊。
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
MinkowskiAvgPooling

平均層首先計算輸入要素的基數，每個輸出的輸入要素數，然后將輸入要素的總和除以基數。對于密集的張量，基數是一個常數，即內核的體積。但是，對于張量稀疏，基數取決于每個輸出的輸入特征的數量而變化。因此，稀疏張量的平均池化不等于傳統的密集張量的平均池化層。請參考MinkowskiSumPooling等效層。
如果內核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），則引擎將更快地生成與池化函數相對應的輸入輸出映射。
如果使用U網絡架構，請使用相同功能的轉置版本進行上采樣。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。
init(kernel_size=- 1, stride=1, dilation=1, kernel_generator=None, dimension=None)
高維稀疏平均池化層。
kernel_size (int, optional): the size of the kernel in the output tensor. If not provided, region_offset should be RegionType.CUSTOM and region_offset should be a 2D matrix with size N×DN×D such that it lists all NN offsets in D-dimension.
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): dilation size for the convolution kernel. When a list is given, the length must be D and each element is an axis specific dilation. All elements must be > 0.
kernel_generator (MinkowskiEngine.KernelGenerator, optional): define custom kernel shape.
dimension (int): the spatial dimension of the space where all the inputs and the network are defined. For example, images are in a 2D space, meshes and 3D shapes are in a 3D space.
當kernel_size ==跨度時，不支持自定義內核形狀。
cpu（） →T
將所有模型參數和緩沖區移至CPU。
返回值：
模塊：self
cuda(device: Optional[Union[int, torch.device]] = None) → T
所有模型參數和緩沖區移至GPU。
這也使關聯的參數并緩沖不同的對象。因此，在構建優化程序之前，如果模塊在優化過程中可以在GPU上運行，則應調用它。
Arguments:
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
將所有浮點參數和緩沖區強制轉換為double數據類型。
返回值：
模塊：self
float（） →T
將所有浮點參數和緩沖區強制轉換為float數據類型。
返回值：
模塊：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)
其簽名類似于torch.Tensor.to()，但僅接受所需dtype的浮點s。另外，此方法將僅將浮點參數和緩沖區強制轉換為dtype （如果給定的話）。device如果給定了整數參數和緩沖區 ，dtype不變。當 non_blocking被設置時，它試圖轉換/如果可能異步相對于移動到主機，例如，移動CPU張量與固定內存到CUDA設備。
This method modifies the module in-place.
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
MinkowskiSumPooling
class MinkowskiEngine.MinkowskiSumPooling(kernel_size, stride=1, dilation=1, kernel_generator=None, dimension=None)
Sum all input features within a kernel.

平均層首先計算輸入要素的基數，每個輸出的輸入要素數，然后將輸入要素的總和除以基數。對于密集的張量，基數是一個常數，即內核的體積。但是，對于張量稀疏，基數根據每個輸出的輸入特征數而變化。因此，用基數對輸入特征求平均可能不等于密集張量的常規平均池。該層提供了一種不將總和除以基數的方法。
如果內核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），則引擎將更快地生成與池化函數相對應的輸入輸出映射。
如果使用U網絡架構，請使用相同功能的轉置版本進行上采樣。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。
init(kernel_size, stride=1, dilation=1, kernel_generator=None, dimension=None)
a high-dimensional sum pooling layer
Args:
kernel_size (int, optional): the size of the kernel in the output tensor. If not provided, region_offset should be RegionType.CUSTOM and region_offset should be a 2D matrix with size N×DN×D such that it lists all NN offsets in D-dimension.
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): dilation size for the convolution kernel. When a list is given, the length must be D and each element is an axis specific dilation. All elements must be > 0.
kernel_generator (MinkowskiEngine.KernelGenerator, optional): define custom kernel shape.
dimension (int): the spatial dimension of the space where all the inputs and the network are defined. For example, images are in a 2D space, meshes and 3D shapes are in a 3D space.
當kernel_size ==跨度時，不支持自定義內核形狀。
cpu（） →T
將所有模型參數和緩沖區移至CPU。
返回值：
模塊：self
cuda(device: Optional[Union[int, torch.device]] = None) → T
將所有模型參數和緩沖區移至GPU。
這也使關聯的參數并緩沖不同的對象。因此，在構建優化程序之前，如果模塊在優化過程中可以在GPU上運行，則應調用它。
參數：
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
將所有浮點參數和緩沖區強制轉換為double數據類型。
返回值：
模塊：self
float（） →T
將所有浮點參數和緩沖區強制轉換為float數據類型。
返回值：
模塊：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)
其簽名類似于torch.Tensor.to()，但僅接受所需dtype的浮點s。另外，此方法將僅將浮點參數和緩沖區強制轉換為dtype （如果給定的話）。device如果給定了整數參數和緩沖區 ，dtype不變。當 non_blocking被設置時，它試圖轉換/如果可能異步相對于移動到主機，例如，移動CPU張量與固定內存到CUDA設備。
請參見下面的示例。
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

總結

以上是生活随笔為你收集整理的MinkowskiPooling池化（上）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。