torch.histc

torch.histc

在跑小样本分割ASGNet的时候，计算mIOU的时候，在intersectionAndUnionGPU(output, target, K, ignore_index=255)中，使用到了torch.histc计算直方图：

def intersectionAndUnionGPU(output, target, K, ignore_index=255):
    # 'K' classes, output and target sizes are N or N * L or N * H * W, each value in range 0 to K - 1.
    assert (output.dim() in [1, 2, 3])
    assert output.shape == target.shape
    output = output.view(-1)
    target = target.view(-1)
    output[target == ignore_index] = ignore_index
    intersection = output[output == target]
    area_intersection = torch.histc(intersection, bins=K, min=0, max=K-1)
    area_output = torch.histc(output, bins=K, min=0, max=K-1)
    area_target = torch.histc(target, bins=K, min=0, max=K-1)
    area_union = area_output + area_target - area_intersection
    return area_intersection, area_union, area_target

torch.histc的API：

torch.histc(input, bins=100, min=0, max=0, *, out=None) → Tensor

计算张量的直方图。
元素被分类为 min 和 max 之间相等宽度的单元格。如果 min 和 max 均为零，则使用数据的最小值和最大值。
小于最小值和高于最大值的元素将被忽略。
Parameters：

• input（Tensor）–输入$张量$。
• bins（int）–直方图箱数
• min（int）–范围的下限（包括）
• max（int）–范围的上限（包括）

Returns

• output：直方图用$张量$Tensor输出表示

示例：

>>> torch.histc(torch.tensor([1., 2, 1]), bins=4, min=0, max=3)
输出：tensor([ 0.,  2.,  1.,  0.])

解释：直方图箱为0、1、2、3；
其中

• 0的数量为0
• 1的数量为2
• 2的数量为1
• 3的数量为0

所以输出tensor([0, 2, 1, 0])