torch F.unfold()举例

最新推荐文章于 2024-07-04 22:07:29 发布
最新推荐文章于 2024-07-04 22:07:29 发布
阅读量1.1k 收藏
点赞数
分类专栏： python 文章标签： 深度学习 python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/stt12345678/article/details/125406468
版权

import torch
import torch.nn as nn
import torch.nn.functional as F
if __name__ == '__main__':
    x = torch.randn(1, 3, 5, 5)
    print(x)
    output = F.unfold(x, [3, 3], padding=1)
    print(output, output.size())

tensor([[[[ 0.6355, -1.7449, -0.1417,  2.7639, -0.7094],
          [ 0.6342, -2.7050, -0.6332,  1.1187, -0.7882],
          [ 0.9027,  0.0864,  0.0781, -0.9886,  1.2459],
          [-0.7042,  1.0129,  0.0044,  0.3249,  0.7367],
          [ 1.0695,  0.3068,  0.0306,  0.3125, -1.7379]],

         [[-0.4521, -0.3601,  1.5153, -0.1056, -1.7330],
          [-0.2078, -0.2476,  0.5120,  0.3215, -0.5475],
          [-0.7312, -0.3561,  0.2800, -0.3449, -0.6668],
          [-0.0132, -1.3868, -0.6101, -0.1316,  1.2194],
          [-0.0468,  0.3087,  0.0622,  0.4266, -0.7321]],

         [[ 0.0784,  0.4645, -1.9329,  0.6818,  1.3477],
          [ 0.4170,  0.1470,  1.5329, -0.8186, -0.3433],
          [-1.6386,  1.1872, -0.9104, -0.9699,  1.2272],
          [ 0.9990, -0.4472,  0.6127, -0.9709,  1.5095],
          [-0.0757, -0.5395,  1.6615, -0.9380,  0.9002]]]])
tensor([[[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.6355,
          -1.7449, -0.1417,  2.7639,  0.0000,  0.6342, -2.7050, -0.6332,
           1.1187,  0.0000,  0.9027,  0.0864,  0.0781, -0.9886,  0.0000,
          -0.7042,  1.0129,  0.0044,  0.3249],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.6355, -1.7449,
          -0.1417,  2.7639, -0.7094,  0.6342, -2.7050, -0.6332,  1.1187,
          -0.7882,  0.9027,  0.0864,  0.0781, -0.9886,  1.2459, -0.7042,
           1.0129,  0.0044,  0.3249,  0.7367],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000, -1.7449, -0.1417,
           2.7639, -0.7094,  0.0000, -2.7050, -0.6332,  1.1187, -0.7882,
           0.0000,  0.0864,  0.0781, -0.9886,  1.2459,  0.0000,  1.0129,
           0.0044,  0.3249,  0.7367,  0.0000],
         [ 0.0000,  0.6355, -1.7449, -0.1417,  2.7639,  0.0000,  0.6342,
          -2.7050, -0.6332,  1.1187,  0.0000,  0.9027,  0.0864,  0.0781,
          -0.9886,  0.0000, -0.7042,  1.0129,  0.0044,  0.3249,  0.0000,
           1.0695,  0.3068,  0.0306,  0.3125],
         [ 0.6355, -1.7449, -0.1417,  2.7639, -0.7094,  0.6342, -2.7050,
          -0.6332,  1.1187, -0.7882,  0.9027,  0.0864,  0.0781, -0.9886,
           1.2459, -0.7042,  1.0129,  0.0044,  0.3249,  0.7367,  1.0695,
           0.3068,  0.0306,  0.3125, -1.7379],
         [-1.7449, -0.1417,  2.7639, -0.7094,  0.0000, -2.7050, -0.6332,
           1.1187, -0.7882,  0.0000,  0.0864,  0.0781, -0.9886,  1.2459,
           0.0000,  1.0129,  0.0044,  0.3249,  0.7367,  0.0000,  0.3068,
           0.0306,  0.3125, -1.7379,  0.0000],
         [ 0.0000,  0.6342, -2.7050, -0.6332,  1.1187,  0.0000,  0.9027,
           0.0864,  0.0781, -0.9886,  0.0000, -0.7042,  1.0129,  0.0044,
           0.3249,  0.0000,  1.0695,  0.3068,  0.0306,  0.3125,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [ 0.6342, -2.7050, -0.6332,  1.1187, -0.7882,  0.9027,  0.0864,
           0.0781, -0.9886,  1.2459, -0.7042,  1.0129,  0.0044,  0.3249,
           0.7367,  1.0695,  0.3068,  0.0306,  0.3125, -1.7379,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [-2.7050, -0.6332,  1.1187, -0.7882,  0.0000,  0.0864,  0.0781,
          -0.9886,  1.2459,  0.0000,  1.0129,  0.0044,  0.3249,  0.7367,
           0.0000,  0.3068,  0.0306,  0.3125, -1.7379,  0.0000,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000, -0.4521,
          -0.3601,  1.5153, -0.1056,  0.0000, -0.2078, -0.2476,  0.5120,
           0.3215,  0.0000, -0.7312, -0.3561,  0.2800, -0.3449,  0.0000,
          -0.0132, -1.3868, -0.6101, -0.1316],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000, -0.4521, -0.3601,
           1.5153, -0.1056, -1.7330, -0.2078, -0.2476,  0.5120,  0.3215,
          -0.5475, -0.7312, -0.3561,  0.2800, -0.3449, -0.6668, -0.0132,
          -1.3868, -0.6101, -0.1316,  1.2194],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000, -0.3601,  1.5153,
          -0.1056, -1.7330,  0.0000, -0.2476,  0.5120,  0.3215, -0.5475,
           0.0000, -0.3561,  0.2800, -0.3449, -0.6668,  0.0000, -1.3868,
          -0.6101, -0.1316,  1.2194,  0.0000],
         [ 0.0000, -0.4521, -0.3601,  1.5153, -0.1056,  0.0000, -0.2078,
          -0.2476,  0.5120,  0.3215,  0.0000, -0.7312, -0.3561,  0.2800,
          -0.3449,  0.0000, -0.0132, -1.3868, -0.6101, -0.1316,  0.0000,
          -0.0468,  0.3087,  0.0622,  0.4266],
         [-0.4521, -0.3601,  1.5153, -0.1056, -1.7330, -0.2078, -0.2476,
           0.5120,  0.3215, -0.5475, -0.7312, -0.3561,  0.2800, -0.3449,
          -0.6668, -0.0132, -1.3868, -0.6101, -0.1316,  1.2194, -0.0468,
           0.3087,  0.0622,  0.4266, -0.7321],
         [-0.3601,  1.5153, -0.1056, -1.7330,  0.0000, -0.2476,  0.5120,
           0.3215, -0.5475,  0.0000, -0.3561,  0.2800, -0.3449, -0.6668,
           0.0000, -1.3868, -0.6101, -0.1316,  1.2194,  0.0000,  0.3087,
           0.0622,  0.4266, -0.7321,  0.0000],
         [ 0.0000, -0.2078, -0.2476,  0.5120,  0.3215,  0.0000, -0.7312,
          -0.3561,  0.2800, -0.3449,  0.0000, -0.0132, -1.3868, -0.6101,
          -0.1316,  0.0000, -0.0468,  0.3087,  0.0622,  0.4266,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [-0.2078, -0.2476,  0.5120,  0.3215, -0.5475, -0.7312, -0.3561,
           0.2800, -0.3449, -0.6668, -0.0132, -1.3868, -0.6101, -0.1316,
           1.2194, -0.0468,  0.3087,  0.0622,  0.4266, -0.7321,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [-0.2476,  0.5120,  0.3215, -0.5475,  0.0000, -0.3561,  0.2800,
          -0.3449, -0.6668,  0.0000, -1.3868, -0.6101, -0.1316,  1.2194,
           0.0000,  0.3087,  0.0622,  0.4266, -0.7321,  0.0000,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0784,
           0.4645, -1.9329,  0.6818,  0.0000,  0.4170,  0.1470,  1.5329,
          -0.8186,  0.0000, -1.6386,  1.1872, -0.9104, -0.9699,  0.0000,
           0.9990, -0.4472,  0.6127, -0.9709],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0784,  0.4645,
          -1.9329,  0.6818,  1.3477,  0.4170,  0.1470,  1.5329, -0.8186,
          -0.3433, -1.6386,  1.1872, -0.9104, -0.9699,  1.2272,  0.9990,
          -0.4472,  0.6127, -0.9709,  1.5095],
         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.4645, -1.9329,
           0.6818,  1.3477,  0.0000,  0.1470,  1.5329, -0.8186, -0.3433,
           0.0000,  1.1872, -0.9104, -0.9699,  1.2272,  0.0000, -0.4472,
           0.6127, -0.9709,  1.5095,  0.0000],
         [ 0.0000,  0.0784,  0.4645, -1.9329,  0.6818,  0.0000,  0.4170,
           0.1470,  1.5329, -0.8186,  0.0000, -1.6386,  1.1872, -0.9104,
          -0.9699,  0.0000,  0.9990, -0.4472,  0.6127, -0.9709,  0.0000,
          -0.0757, -0.5395,  1.6615, -0.9380],
         [ 0.0784,  0.4645, -1.9329,  0.6818,  1.3477,  0.4170,  0.1470,
           1.5329, -0.8186, -0.3433, -1.6386,  1.1872, -0.9104, -0.9699,
           1.2272,  0.9990, -0.4472,  0.6127, -0.9709,  1.5095, -0.0757,
          -0.5395,  1.6615, -0.9380,  0.9002],
         [ 0.4645, -1.9329,  0.6818,  1.3477,  0.0000,  0.1470,  1.5329,
          -0.8186, -0.3433,  0.0000,  1.1872, -0.9104, -0.9699,  1.2272,
           0.0000, -0.4472,  0.6127, -0.9709,  1.5095,  0.0000, -0.5395,
           1.6615, -0.9380,  0.9002,  0.0000],
         [ 0.0000,  0.4170,  0.1470,  1.5329, -0.8186,  0.0000, -1.6386,
           1.1872, -0.9104, -0.9699,  0.0000,  0.9990, -0.4472,  0.6127,
          -0.9709,  0.0000, -0.0757, -0.5395,  1.6615, -0.9380,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [ 0.4170,  0.1470,  1.5329, -0.8186, -0.3433, -1.6386,  1.1872,
          -0.9104, -0.9699,  1.2272,  0.9990, -0.4472,  0.6127, -0.9709,
           1.5095, -0.0757, -0.5395,  1.6615, -0.9380,  0.9002,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000],
         [ 0.1470,  1.5329, -0.8186, -0.3433,  0.0000,  1.1872, -0.9104,
          -0.9699,  1.2272,  0.0000, -0.4472,  0.6127, -0.9709,  1.5095,
           0.0000, -0.5395,  1.6615, -0.9380,  0.9002,  0.0000,  0.0000,
           0.0000,  0.0000,  0.0000,  0.0000]]]) torch.Size([1, 27, 25])
 

Teng-Sun
关注
专栏目录
PyTorch笔记 - SwinTransformer的原理与实现
Mystra
08-26 1796
MRA：Microsoft Research Asia，微软亚洲研究院2021年8月发表：SwinTransformer：将复杂度和效果，都做了优化，Transformer在NLP中取得比较好的效果。将图像划分为不同的window，每个window内计算self-attention，时间复杂度window与图像的hw成线性关系，通过shift-window，实现window之间的交互。...
【YOLOv8改进-论文笔记】RFAConv：感受野注意力卷积，创新空间注意力
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-24 9938
空间注意力已被广泛用于提升卷积神经网络的性能。然而，它存在一定的局限性。在本文中，我们提出了一个关于空间注意力有效性的新视角，即空间注意力机制本质上是解决卷积核参数共享的问题。然而，由空间注意力生成的注意力图中包含的信息对于大尺寸卷积核来说并不充分。因此，我们提出了一种名为感受野注意力（Receptive-Field Attention，简称RFA）的新型注意力机制。
【torch.nn.Fold】和【torch.nn.Unfold】
zyw2002的博客
08-09 846
toch.nn.Fold 就是torch.nn.Unfold的逆操作，将提取出的滑动局部区域块还原成batch的张量形式。该操作将输入空间维度内的每个kernel_size大小的滑动块展平到一列中, 输出的大小为。（也就是卷积操作中的提取kernel filter对应的滑动窗口）把它按照顺序展开，得到的特征数就是。表示每个block中包含的所有值的个数，一个block是kernel_size的面积和通道数的乘积，torhc.nn.Unfold的功能： 从一个batch的样本中，提取出滑动的局部区域块。
x.unfold/F.unfold/nn.Unfold
u010590593的博客
07-01 502
stackoverflow official 直接使用x.unfold()和nn.functional.unfold()=nn.Unfold()的结果完全不一样。但基本思想是一样的，只是操作方式截然不同。 直接使用x.unfold() import torch h,w = 3,3 x = torch.arange(20).float() print(x,x.shape) x2d = x.reshape(1,1,4,5) print(x2d,x2d.shape) r1 = x2d.unfold(2,3,1.
关于Pytorch的F.unfold函数
chicunlian4601的博客
05-30 4200
关于Pytorch的F.unfold函数
【PyTorch秒懂系列】torch.nn.Unfold/torch.nn.functional.unfold/F.unfold
jaredyam's blog
07-13 1409
nn.Unfold or F.unfold Extracts sliding local blocks from a batched input tensor. 将一个分批次的输入张量按局部块状区域逐次展开。 核心思想 作用于image-like的输入张量或特征图。作用后的特征图特征为原始特征图邻域特征展开、并逐通道连接后得到的新的特征图。 图示 [ 1.11 1.12 1.21 1.22 2.11 2.12 2.21 2.22 > x.yz: x=通道 y=高 z=宽 &g.
torch.functional.unfold
qq_39861441的博客
07-27 1401
unfold其实功能很简单就是在N*C*H*W的H*W平面上取块，然后堆叠，主要用于CV中的patch提取。 fold的功能与unfold相反，但具体计算规则没有搞明白，因为我看处理后的矩阵出现了输入没有的数字。 import torch from torch.nn import functional as f x = torch.arange(0, 1 * 3 * 15 * 15).float() x = x.view(1, 3, 15, 15) x1 = f.unfold(x, kernel_
torch.unfold
zhihui1232的博客
10-17 192
类似于空洞的概念，如果将输入换成3×5×5就换过来了。例如：输入数据为3×3×3的矩阵，使用该函数。以上为输如，将size设为3，看输出。若将参数替换为kernel=2。
Pytorch第三课：package-torch.Tensor包详解
【人工智能】王小草的博客
11-28 3208
微博：https://weibo.com/wangxiaocaoai/profile?rightmod=1&wvr=6&mod=personinfo 微信公众号：搜索"AI躁动街" 本节要点： 1 张量的类型 2 张量的创建 3 张量的索引与切块 4 张量的操作 4.1 操作名有无下划线的区别 4.2 torch.Tensor所有操作列表 4.3 torch.Tensor操作举例...
在Pytorch中实现im2col操作 Implementing im2col in Pytorch
JiangPQ的博客
11-15 3552
在Pytorch中用torch.unfold, torch.cat和torch.transpose的组合实现im2col操作.
【YOLOv10改进-卷积Conv】RFAConv：感受野注意力卷积，创新空间注意力
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-04 408
空间注意力已被广泛用于提升卷积神经网络的性能。然而，它存在一定的局限性。在本文中，我们提出了一个关于空间注意力有效性的新视角，即空间注意力机制本质上是解决卷积核参数共享的问题。然而，由空间注意力生成的注意力图中包含的信息对于大尺寸卷积核来说并不充分。因此，我们提出了一种名为感受野注意力（Receptive-Field Attention，简称RFA）的新型注意力机制。
F.unfold张量计算
limtyty的博客
02-02 346
unfold函数的张量相关计算
F.unfold运行解析
qq_39861441的博客
07-06 2655
先上结论，unfold是先对第一通道展平，再对第二通道展平，依次叠加 import cv2 import numpy as np import torch import torch.nn.functional as F b=1 c=2 h=12 w=12 s=torch.arange(1,b*c*h*w+1).float() s=s.view(b,c,h,w) up_factor=2 kernel=3*up_factor t = F.unfold(s, kernel_size=(kernel, kern
torch.nn.Unfold和torch.nn.Fold
乐亦亦乐的博客
10-27 666
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....
torch.nn.Unfold类
zhangHK33的博客
07-23 222
PyTorch中torch.nn.Unfold类 官方文档连接：torch.nn.Unfold类. class torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1) 从批量输入张量中提取滑动局部块 kernel_size：滑动块大小。 dilation：控制邻域内元素步幅的参数，默认为1。 padding：填充。 stride：滑动块在输入空间内的步幅。 考虑形状为（N, C，*）的批量输入张量，其中N为批维度，C为通道维度，*表示任
Pytorch unfold和fold
comea23的博客
01-13 4693
今天撸代码看到了unfold和fold，简单记述一下用法。 文档中说明输入大小为（N，C，），输出为（N，C×连乘，L）。 计算L的公式中，d为数据的空间维度，假设输入数据为（1,3,4,4），则可以将其看作是batch=1,channel=3,4×4的图像，4×4为二维，所以d=2。 unfold到底在计算什么呢？我们平时调用pytorch的卷积接口，使用的是Conv，是一个完全封装好的过程。使用unfold，相当于将kernel滑动扫过的数据提取出来。比如刚刚（1,3,4,4），如果使用kernel_
PyTorch中torch.nn.functional.unfold函数使用详解
热门推荐
我的博客有点东西
11-09 3万+
首先跳到函数定义中，看一下有哪些参数。 def unfold(input, kernel_size, dilation=1, padding=0, stride=1): """ input: tensor数据，四维， Batchsize, channel, height, width kernel_size: 核大小，决定输出tensor的数目。稍微详细讲 ...
torch 的 F.cross_entropy
a857553315的博客
06-29 2386
torch中的交叉熵损失函数使用案例 import torch import torch.nn.functional as F pred = torch.randn(3, 5) print(pred.shape) target = torch.tensor([2, 3, 4]).long() # 需要是整数 print(target.shape) # 交叉熵损失函数, 输入的参数是形状不一样的 # predict会在其内部进行softmax操作 loss = F.cross_entropy(pre
PyTorch基础（13）-- torch.nn.Unfold()方法
奋斗の博客
05-13 4366
一、方法详解 方法 torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1) parameters kernel_size (int or tuple) – 滑动窗口的size stride (int or tuple, optional) – 空间维度上滑动的步长，默认步长为1 padding (int or tuple, optional) – implicit zero padding to be added
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值