4.Eigen Tensor详解【三】

最新推荐文章于 2023-02-15 02:23:10 发布

MYVision_ MY视界

最新推荐文章于 2023-02-15 02:23:10 发布

阅读量5.8k

点赞数 5

分类专栏： Eigen

本文链接：https://blog.csdn.net/fengshengwei3/article/details/103681921

版权

Eigen 专栏收录该内容

4 篇文章 5 订阅

订阅专栏

（1） reshape(const Dimensions& new_dims)

（2） shuffle(const Shuffle& shuffle)

(3) stride(const Strides& strides)

（4） slice(const StartIndices& offsets, const Sizes& extents)

（5） chip(const Index offset, const Index dim)

（6）reverse(const ReverseDimensions& reverse)

七相关API说明

6.降维运算

降维运算返回的tensor比原始tensor具有更少的维度，返回的tensor的值是通过对原始tensor的值切片应用一个降维算子来计算的。切片的维度可以手动指定(切片指的是需要获取元素的下标）

所有的降维操作都采用一个类型为<TensorType>::Dimensions的参数，该参数可以设定为int数组。

如下代码所示


void testReduction()
{
	// Create a tensor of 2 dimensions
	Eigen::Tensor<int, 2> a(2, 3);
	a.setValues({ {1, 2, 3}, {6, 5, 4} });
	// 
	Eigen::array<int, 1> dims =  { 1 }; //沿着第二个维度降维
	Eigen::array<int, 1> dims2 = { 0 }; //沿着第一个维度降维
	// maximum 返回的是某个维度的最大值

	Eigen::Tensor<int, 1> b = a.maximum(dims);
	cout << "a" << endl << a << endl << endl;
	cout << "b" << endl << b << endl << endl;


	Eigen::Tensor<int, 1> c = a.maximum(dims2);
	cout << "c" << endl << c << endl << endl;
}

下面沿着两个维度降维

void testReduction2()
{
	Eigen::Tensor<float, 3, Eigen::ColMajor> a(2, 3, 4);
	a.setValues({ {{0.0f, 1.0f, 2.0f, 3.0f},
				  {7.0f, 6.0f, 5.0f, 4.0f},
				  {8.0f, 9.0f, 10.0f, 11.0f}},
				 {{12.0f, 13.0f, 14.0f, 15.0f},
				  {19.0f, 18.0f, 17.0f, 16.0f},
				  {20.0f, 21.0f, 22.0f, 23.0f}} });
	//a有三个维度，我们沿着前两个维度降维，降维的结果是一个一维的Tensor,
	
	Eigen::Tensor<float, 1, Eigen::ColMajor> b =a.maximum(Eigen::array<int, 2>({ 0, 1 }));
	cout << "b" << endl << b << endl << endl;
}

沿着所有维度降维

作为降维的一个特例，可以不传入任何参数，沿着所有的维度进行降维，如下代码所示

void testReduction3()
{
	Eigen::Tensor<float, 3> a(2, 3, 4);
	a.setValues({ {{0.0f, 1.0f, 2.0f, 3.0f},
				  {7.0f, 6.0f, 5.0f, 4.0f},
				  {8.0f, 9.0f, 10.0f, 11.0f}},
				 {{12.0f, 13.0f, 14.0f, 15.0f},
				  {19.0f, 18.0f, 17.0f, 16.0f},
				  {20.0f, 21.0f, 22.0f, 23.0f}} });
	cout << "a:" << endl << a << endl << endl;
	Eigen::Tensor<float, 0> b = a.sum();
	cout << "b" << endl << b << endl << endl;
}

下面列出来相关的函数

<Operation> sum(const Dimensions& new_dims)

<Operation> sum()

<Operation> mean(const Dimensions& new_dims)

<Operation> mean()

<Operation> maximum(const Dimensions& new_dims)

<Operation> maximum()

<Operation> minimum(const Dimensions& new_dims)

<Operation> minimum()

//prod()

<Operation> prod(const Dimensions& new_dims)

<Operation> prod()

<Operation> all(const Dimensions& new_dims)

<Operation> all()

<Operation> any(const Dimensions& new_dims)

<Operation> any()

<Operation> reduce(const Dimensions& new_dims, const Reducer& reducer)


void testReduction4()
{
	// Create a tensor of 2 dimensions
	Eigen::Tensor<int, 2> a(3, 3);
	a.setValues({ {1, 2, 3}, {6, 5, 4},{8, 9, 10} });
	// 
	Eigen::array<int, 1> dims = { 1 }; //沿着第二个维度降维
	Eigen::array<int, 1> dims2 = { 0 }; //沿着第一个维度降维

	Eigen::Tensor<int, 1> maximum = a.maximum(dims);
	cout << "a" << endl << a << endl << endl;

	cout << "maximum(dims):" << endl << a.maximum(dims) << endl << endl;
	cout << "maximum():" << endl << a.maximum() << endl << endl;

	cout << "sum(dims):" << endl << a.sum(dims) << endl << endl;
	cout << "sum():" << endl << a.sum() << endl << endl;

	cout << "mean(dims):" << endl << a.mean(dims) << endl << endl;
	cout << "mean():" << endl << a.mean() << endl << endl;

	cout << "minimum(dims):" << endl << a.minimum(dims) << endl << endl;
	cout << "minimum():" << endl << a.minimum() << endl << endl;
	//返回相应维度元素的乘积
	cout << "prod(dims):" << endl << a.prod(dims) << endl << endl;
	cout << "prod():" << endl << a.prod() << endl << endl;
	//如果相应维度的元素都是大于0 ，则相应维度的降维结果为1 ，否则为0
	cout << "all(dims):" << endl << a.all(dims) << endl << endl;
	cout << "all():" << endl << a.all() << endl << endl;
	//如果相应维度的元素某个大于0 ，则相应维度的降维结果为1 ，否则为0
	cout << "any(dims):" << endl << a.any(dims) << endl << endl;
	cout << "any():" << endl << a.any() << endl << endl;


}

7.扫描操作

Scan操作返回与原始tensor同维度的tensor,该操作沿着指定的轴执行“包含扫描”，即：它计算降维操作的运行总数（沿着降维轴），如果是求和操作，那么它计算的是沿着降维轴的累加求和


void testScan()
{
	// Create a tensor of 2 dimensions
	Eigen::Tensor<int, 2> a(2, 3);
	a.setValues({ {1, 2, 3}, {4, 5, 6} });
	// Scan it along the second dimension (1) using summation
	Eigen::Tensor<int, 2> b = a.cumsum(1);
	Eigen::Tensor<int, 2> c = a.cumprod(1);
	// The result is a tensor with the same size as the input
	cout << "a" << endl << a << endl << endl;
	cout << "cumsum" << endl << b << endl << endl;
	cout << "cumpord" << endl << c << endl << endl;
}

8 .卷积操作

<Operation> convolve(const Kernel& kernel, const Dimensions& dims)

卷积操作跟图像课程里面讲的卷积一样，这里不再详述


void testConvolve()
{
	Eigen::Tensor<float, 4, Eigen::RowMajor> input(3, 3, 7, 11);
	Eigen::Tensor<float, 2, Eigen::RowMajor> kernel(2, 2);
	Eigen::Tensor<float, 4, Eigen::RowMajor> output(3, 2, 6, 11);
    input.setRandom();
	kernel.setRandom();

	Eigen::array<int, 2> dims= { 1, 2 };  // Specify second and third dimension for convolution.
	output = input.convolve(kernel, dims);
	cout << "Kernel:" << endl << kernel << endl;
	cout << "Output:" << endl << output << endl;
	//下面手工计算卷积，对比结果
	for (int i = 0; i < 3; ++i) {
		for (int j = 0; j < 2; ++j) {
			for (int k = 0; k < 6; ++k) {
				for (int l = 0; l < 11; ++l) {
					const float result = output(i, j, k, l);
					const float expected = input(i, j + 0, k + 0, l) * kernel(0, 0) +
						input(i, j + 1, k + 0, l) * kernel(1, 0) +
						input(i, j + 0, k + 1, l) * kernel(0, 1) +
						input(i, j + 1, k + 1, l) * kernel(1, 1);
					cout << result << "," << expected << endl;
				}
			}
		}
	}
}

9.几何运算

这些运算得到的张量与原来的张量维数不同。它们可以用来访问张量的片，用不同的维度查看它们，或者用附加数据填充张量

`（1）<Operation> reshape(const Dimensions& new_dims)`

返回输入张量的view，该张量已被重新构造为指定的新维。参数new_dims是一个索引值数组。得到的张量的秩等于元素的个数。


void testReshape()
{
   
	Eigen::Tensor<float, 2, Eigen::ColMajor> a(2, 3);
	a.setValues({ {0.0f, 100.0f, 200.0f}, {300.0f, 400.0f, 500.0f} });
    //说明: array 的类型需要为Eigen:DenseIndex ,如果是int, 则编译不过
	Eigen::array<Eigen::DenseIndex, 1> one_dim = { 3 * 2 };
	Eigen::Tensor<float, 1, Eigen::ColMajor> b = a.reshape(one_dim);
	array<Eigen::DenseIndex, 3> three_dims = { {3, 2, 1} }; 
	Eigen::Tensor<float, 3, Eigen::ColMajor> c = a.reshape(three_dims);
	cout << "a" << endl << a << endl;
	cout << "b" << endl << b << endl;
	cout << "c" << endl << c << endl;
}

（2）`<Operation> shuffle(const Shuffle& shuffle)`

返回输入张量的副本，该张量的维数已根据指定的排列重新排序。参数是一个索引值数组。它的大小是输入张量的秩。它必须包含0、1、…，秩- 1（顺序根据需要随便设置）。输出张量的第i维等于输入张量的第i维洗牌的大小。


void testShuffle()
{

	Eigen::Tensor<float, 3> input(2, 3, 3);
	input.setRandom();
	Eigen::array<Eigen::DenseIndex, 3> shuffle = { 1, 2, 0 };
	Eigen::Tensor<float, 3> output = input.shuffle(shuffle);
	cout << "input:" << endl <<  input << endl;
	cout << "output:" << endl << output << endl;
	cout << (output.dimension(0) == 3) <<endl;
	cout << (output.dimension(1) == 3) << endl;
	cout << (output.dimension(2) == 2) << endl;
}

(3)`<Operation> stride(const Strides& strides)`

返回一个子张量，从原来张量中按照strides的步长取元素

void testStrides()
{
	Eigen::Tensor<int, 2> a(4, 3);
	a.setValues({ {0, 100, 200}, {300, 400, 500}, {600, 700, 800}, {900, 1000, 1100} });
	Eigen::array<Eigen::DenseIndex, 2> strides = { 3, 2 };
	Eigen::Tensor<int, 2> b = a.stride(strides);
	cout << "a" << endl << a << endl;
	cout << "b" << endl << b << endl;
}

（4）`<Operation> slice(const StartIndices& offsets, const Sizes& extents)`

返回给定张量的子张量。对于每个维i，切片是由存储在输入张量的偏移量[i]和偏移量[i] +区段[i]之间的系数构成的

void testSlice()
{
	Eigen::Tensor<int, 2> a(4, 3);
	a.setValues({ {0, 100, 200}, {300, 400, 500},
				 {600, 700, 800}, {900, 1000, 1100} });
	Eigen::array<Eigen::DenseIndex, 2> offsets = { 1, 0 };
	Eigen::array<Eigen::DenseIndex, 2> extents = { 2, 2 };
	Eigen::Tensor<int, 2> slice = a.slice(offsets, extents);
	cout << "a" << endl << a << endl;
	cout << "slice:" << endl << slice << endl;
}

（5）`<Operation> chip(const Index offset, const Index dim)`

chip是slice的特殊形式，


void testChip()
{
	Eigen::Tensor<int, 2> a(4, 3);
	a.setValues({ {0, 100, 200}, {300, 400, 500},
				 {600, 700, 800}, {900, 1000, 1100} });
	Eigen::Tensor<int, 1> row_3 = a.chip(2, 0);
	Eigen::Tensor<int, 1> col_2 = a.chip(1, 1);
	cout << "a" << endl << a << endl;
	cout << "row_3" << endl << row_3 << endl;
	cout << "col_2" << endl << col_2 << endl;
}

（6）`<Operation>reverse(const ReverseDimensions& reverse)`

返回输入张量的一个视图，该视图在维的一个子集上反转系数的顺序。参数reverse是一个布尔值数组，指示系数的顺序是否应该在每个维上反转（true表示反转，false表示不反转）。这个操作保持了输入张量的维数。

void testReserve()
{
	Eigen::Tensor<int, 2> a(4, 3);
	a.setValues({ {0, 100, 200}, {300, 400, 500},
				{600, 700, 800}, {900, 1000, 1100} });
	Eigen::array<bool, 2> reverse = { true, false }; //表示第一维反转，第二维不反转
	Eigen::Tensor<int, 2> b = a.reverse(reverse);
	cout << "a" << endl << a << endl << "b" << endl << b << endl;
}

相关测试代码见：https://github.com/Mayi-Keiji/EigenTest.git

结束~~

MYVision_ MY视界

关注

5
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
4.Eigen Tensor详解【三】

目录七相关API说明6.降维运算7.扫描操作8 .卷积操作9.几何运算（1） reshape(const Dimensions& new_dims)（2） shuffle(const Shuffle& shuffle)(3) stride(const Strides& strides)（4） slice(const StartIndi...
复制链接

扫一扫