torch.meshgrid()

Mr.Liu's

已于 2023-06-07 12:11:52 修改

阅读量127

点赞数

文章标签： python pytorch 深度学习

于 2023-06-07 12:08:43 首次发布

本文链接：https://blog.csdn.net/qq_45305290/article/details/131075693

版权

torch.meshgrid()解剖

先展现一个实例：

y, x = torch.meshgrid(h, w, indexing='ij')

这里h和w分别是长度为2473和2915的向量；
经过index设为 ‘ij’ 的meshgrid方法后，输出了x和y；
输出的x和y的格式都是{Tensor:(2473,2915)}。

这其中发生了什么呢？先从functional包中找pytorch的解释。

r"""Creates grids of coordinates specified by the 1D inputs in `attr`:tensors.

        This is helpful when you want to visualize data over some
        range of inputs. See below for a plotting example.

        Given :math:`N` 1D tensors :math:`T_0 \ldots T_{N-1}` as
        inputs with corresponding sizes :math:`S_0 \ldots S_{N-1}`,
        this creates :math:`N` N-dimensional tensors :math:`G_0 \ldots
        G_{N-1}`, each with shape :math:`(S_0, ..., S_{N-1})` where
        the output :math:`G_i` is constructed by expanding :math:`T_i`
        to the result shape.

看起来乱七八糟？好了不扯了。说人话就是：
给定 n 个一维张量 x_1, x_2, …, x_n，每个张量的长度为 s_1, s_2, …, s_n，那么 “torch.meshgrid(x_1, x_2, …, x_n) ”返回一个元组 (y_1, y_2, …, y_n)，其中 y_i 的形状为 (s_1, s_2, …, s_n)，代表第 i 个维度上的坐标网格。

直接看作用：

坐标网格？这个有什么用呢？
假如，咱们有一个藏宝图中宝箱的x坐标集合以及y坐标集合，那咱们就可以利用这个方法组合出所有宝箱标号的格网。写出来就是：

x = torch.tensor([10, 20, 30])	#宝箱的x坐标集合
y = torch.tensor([1, 3, 5, 7, 9])	#宝箱的y坐标集合
#z = torch.tensor([500, 1000])

a, b = torch.meshgrid(x, y, indexing='xy')
print(a)
print(b)
#print(c)

>>>
tensor([[10, 20, 30],
        [10, 20, 30],
        [10, 20, 30],
        [10, 20, 30],
        [10, 20, 30]])
tensor([[1, 1, 1],
        [3, 3, 3],
        [5, 5, 5],
        [7, 7, 7],
        [9, 9, 9]])

可以想象到吗？返回的矩阵结合了xy的形状，就好像在藏宝图上画了一个基于宝箱位置的格网。每个元组分别依照坐标代表的那一条进行赋值。

如果你好奇那个indexing怎么是’xy’了？这个其实很简单，如果改成之前的’ij’，就是把输出结果进行转置，就这个区别。

那如果把注释掉的维度加上呢？结果如下：

tensor([[[10, 10, 10, 10, 10],
         [10, 10, 10, 10, 10]],

        [[20, 20, 20, 20, 20],
         [20, 20, 20, 20, 20]],

        [[30, 30, 30, 30, 30],
         [30, 30, 30, 30, 30]]])
tensor([[[1, 3, 5, 7, 9],
         [1, 3, 5, 7, 9]],

        [[1, 3, 5, 7, 9],
         [1, 3, 5, 7, 9]],

        [[1, 3, 5, 7, 9],
         [1, 3, 5, 7, 9]]])
tensor([[[ 500,  500,  500,  500,  500],
         [1000, 1000, 1000, 1000, 1000]],

        [[ 500,  500,  500,  500,  500],
         [1000, 1000, 1000, 1000, 1000]],

        [[ 500,  500,  500,  500,  500],
         [1000, 1000, 1000, 1000, 1000]]])

Process finished with exit code 0