torch.nn.Unfold和torch.nn.Fold

 

可以参考博文：pytorch中的torch.nn.Unfold和torch.nn.Fold_春笋的博客-CSDN博客_nn.unfoldpytorch中的torch.nn.Unfold和torch.nn.Fold目的Unfold目的平时使用卷积操作时，既卷积核滑动窗口操作，对于pytorch，以二维图像为例，调用nn.Conv2d就能完成对输入（feature maps）的卷积操作。但有时，maybe要探究卷积核对应的某一channel的单个窗口的卷积操作，或显式地进行卷积操作。此时，就需要nn.Unfold和nn.Fold。前段时间引起较大争议的BagNet（Bag of local feature net）的分块卷积操作既由此函数https://blog.csdn.net/weixin_44076434/article/details/106545037

 Pytorch官方文档：Unfold — PyTorch 1.10.0 documentationhttps://pytorch.org/docs/stable/generated/torch.nn.Unfold.html?highlight=unfold#torch.nn.Unfold

---

torch.nn.Fold的操作与Unfold相反，将提取出的滑动局部区域块还原成batch的张量形式。
Fold — PyTorch 1.10.0 documentationhttps://pytorch.org/docs/stable/generated/torch.nn.Fold.html?highlight=fold#torch.nn.Fold

 Code：

>>> import torch
>>> x=torch.arange(16,dtype=torch.float)
>>> x
tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12., 13.,
        14., 15.])
>>> x=x.view(1,1,4,4)
>>> x
tensor([[[[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  6.,  7.],
          [ 8.,  9., 10., 11.],
          [12., 13., 14., 15.]]]])
>>> unfold=torch.nn.Unfold(kernel_size=2,stride=2)
>>> y=unfold(x)
>>> y.size()
torch.Size([1, 4, 4])
>>> y
tensor([[[ 0.,  2.,  8., 10.],
         [ 1.,  3.,  9., 11.],
         [ 4.,  6., 12., 14.],
         [ 5.,  7., 13., 15.]]])
>>> fold=torch.nn.Fold(output_size=(4,4),kernel_size=2,stride=2)
>>> z=fold(y)
>>> z.shape
torch.Size([1, 1, 4, 4])
>>> z
tensor([[[[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  6.,  7.],
          [ 8.,  9., 10., 11.],
          [12., 13., 14., 15.]]]])