MinkowskiPooling池化（下）

MinkowskiPoolingTranspose
class MinkowskiEngine.MinkowskiPoolingTranspose(kernel_size, stride, dilation=1, kernel_generator=None, dimension=None)
稀疏張量的池轉(zhuǎn)置層。
展開功能，然后將其除以貢獻(xiàn)的非零元素的數(shù)量。
init(kernel_size, stride, dilation=1, kernel_generator=None, dimension=None)
用于稀疏張量的高維解卷層。
Args:
kernel_size (int, optional): 輸出張量中內(nèi)核的大小。如果未提供，則region_offset應(yīng)該是 RegionType.CUSTOM并且region_offset應(yīng)該是具有大小的2D矩陣N×D 這樣它列出了所有D維度的 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): 卷積內(nèi)核的擴(kuò)展大小。給出列表時(shí)，長(zhǎng)度必須為D，并且每個(gè)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(nèi)核形狀。
dimension（int）：定義所有輸入和網(wǎng)絡(luò)的空間的空間尺寸。例如，圖像在2D空間中，網(wǎng)格和3D形狀在3D空間中。
cpu() → T
將所有模型參數(shù)和緩沖區(qū)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(shù)和緩沖區(qū)移至GPU。
這也使關(guān)聯(lián)的參數(shù)并緩沖不同的對(duì)象。因此，在構(gòu)建優(yōu)化程序之前，如果模塊在優(yōu)化過程中可以在GPU上運(yùn)行，則應(yīng)調(diào)用它。
參數(shù)：
設(shè)備（整數(shù)，可選）：如果指定，則所有參數(shù)均為
復(fù)制到該設(shè)備
返回值：
模塊：self
double（） →T
將所有浮點(diǎn)參數(shù)和緩沖區(qū)強(qiáng)制轉(zhuǎn)換為double數(shù)據(jù)類型。
返回值：
模塊：self
float（） →T
將所有浮點(diǎn)參數(shù)和緩沖區(qū)強(qiáng)制轉(zhuǎn)換為float數(shù)據(jù)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(diǎn)s。另外，此方法將僅將浮點(diǎn)參數(shù)和緩沖區(qū)強(qiáng)制轉(zhuǎn)換為dtype （如果給定的話）。device如果給定了整數(shù)參數(shù)和緩沖區(qū) ，但dtype不變。當(dāng) non_blocking被設(shè)置時(shí)，它試圖轉(zhuǎn)換/如果可能異步相對(duì)于移動(dòng)到主機(jī)，例如，移動(dòng)CPU張量與固定內(nèi)存到CUDA設(shè)備。
請(qǐng)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
MinkowskiGlobalPooling
class MinkowskiEngine.MinkowskiGlobalPooling(average=True, mode=<GlobalPoolingMode.AUTO: 0>)
將所有輸入功能集中到一個(gè)輸出。

將稀疏坐標(biāo)減少到原點(diǎn)，即將每個(gè)點(diǎn)云減少到原點(diǎn)，返回batch_size點(diǎn)的數(shù)量[[0，0，…，0]，[0，0，…，1] , [0， 0，…，2]]，其中坐標(biāo)的最后一個(gè)元素是批處理索引。
Args:
average (bool): 當(dāng)為True時(shí)，返回平均輸出。如果不是，則返回所有輸入要素的總和。
cpu() → T
將所有模型參數(shù)和緩沖區(qū)移至CPU。
返回值：
模塊：自我
Module: self
cuda(device: Optional[Union[int, torch.device]] = None) → T
將所有模型參數(shù)和緩沖區(qū)移至GPU。
這也使關(guān)聯(lián)的參數(shù)并緩沖不同的對(duì)象。因此，在構(gòu)建優(yōu)化程序之前，如果模塊在優(yōu)化過程中可以在GPU上運(yùn)行，則應(yīng)調(diào)用它。
參數(shù)：
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
將所有浮點(diǎn)參數(shù)和緩沖區(qū)強(qiáng)制轉(zhuǎn)換為double數(shù)據(jù)類型。
Returns:
Module: self
float() → T
將所有浮點(diǎn)參數(shù)和緩沖區(qū)強(qiáng)制轉(zhuǎn)換為float數(shù)據(jù)類型。
返回值：
模塊：self
forward(input)
to(*args, **kwargs)
移動(dòng)和/或強(qiáng)制轉(zhuǎn)換參數(shù)和緩沖區(qū)。
這可以稱為
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(diǎn)s。另外，此方法將僅將浮點(diǎn)參數(shù)和緩沖區(qū)強(qiáng)制轉(zhuǎn)換為dtype （如果給定的話）。device如果給定了整數(shù)參數(shù)和緩沖區(qū) ，dtype不變。當(dāng) non_blocking被設(shè)置時(shí)，它試圖轉(zhuǎn)換/如果可能異步相對(duì)于移動(dòng)到主機(jī)，例如，移動(dòng)CPU張量與固定內(nèi)存到CUDA設(shè)備。
請(qǐng)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(jié)

以上是生活随笔為你收集整理的MinkowskiPooling池化（下）的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。