PENet深度补全神经网络 ——（五）：

---

1、Pytorch 中的 torch.cat() 函数：

Pytorch中的torch.cat()函数（https://www.cnblogs.com/JeasonIsCoding/p/10162356.html）
把多个 nparray 或者 tensor 在指定维度上拼接起来

示例：

C = torch.cat( (A,B),0 )  #按维数0拼接（竖着拼）
C = torch.cat( (A,B),1 )  #按维数1拼接（横着拼）

>>> import torch
>>> A=torch.ones(2,3)    #2x3的张量（矩阵）                                     
>>> A
tensor([[ 1.,  1.,  1.],
        [ 1.,  1.,  1.]])
>>> B=2*torch.ones(4,3)  #4x3的张量（矩阵）                                    
>>> B
tensor([[ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.]])
>>> C=torch.cat((A,B),0)  #按维数0（行）拼接
>>> C
tensor([[ 1.,  1.,  1.],
         [ 1.,  1.,  1.],
         [ 2.,  2.,  2.],
         [ 2.,  2.,  2.],
         [ 2.,  2.,  2.],
         [ 2.,  2.,  2.]])
>>> C.size()
torch.Size([6, 3])
>>> D=2*torch.ones(2,4) #2x4的张量（矩阵）
>>> C=torch.cat((A,D),1)#按维数1（列）拼接
>>> C
tensor([[ 1.,  1.,  1.,  2.,  2.,  2.,  2.],
        [ 1.,  1.,  1.,  2.,  2.,  2.,  2.]])
>>> C.size()
torch.Size([2, 7])

---

2、pytorch 中 unsqueeze() 函数理解：

pytorch中unsqueeze()函数理解（https://blog.csdn.net/nagato_yuki_sos/article/details/109060587）
unsqueeze()函数起升维的作用,参数表示在哪个地方加一个维度。

例如

import torch
input=torch.arange(0,6)
print(input)
print(input.shape)

结果：
tensor([0, 1, 2, 3, 4, 5])
torch.Size([6])

print(input.unsqueeze(0))
print(input.unsqueeze(0).shape)

结果：
tensor([[0, 1, 2, 3, 4, 5]])
torch.Size([1, 6])

print(input.unsqueeze(1))
print(input.unsqueeze(1).shape)

结果：
tensor([[0],
        [1],
        [2],
        [3],
        [4],
        [5]])
torch.Size([6, 1])

---

3、torch.full_like() 创造指定形状和值的矩阵 ：

pytorch每日一学23(torch.full()、torch.full_like())创造全value的矩阵（https://blog.csdn.net/Fluid_ray/article/details/109855155）
torch.full_like()：输入的 tensor 的形状将会决定输出的 tensor 的形状，可以指定返回 tensor 的填充值。

>>> import torch
>>>
>>> a = torch.full((3, 4), 5)
>>> a
Out[1]: 
tensor([[5, 5, 5, 5],
        [5, 5, 5, 5],
        [5, 5, 5, 5]])

>>> a.shape
Out[2]: torch.Size([3, 4])

>>> b = torch.full_like(a, 6)
>>> b
Out[3]: 
tensor([[6, 6, 6, 6],
        [6, 6, 6, 6],
        [6, 6, 6, 6]])

>>> b.shape
Out[4]: torch.Size([3, 4])

---

4、pytorch torch.where 用法：

pytorch torch.where用法（https://blog.csdn.net/Orientliu96/article/details/104827391）
根据条件，返回从x,y中选择元素所组成的张量。如果满足条件，则返回x中元素。若不满足，返回y中元素。

例子

---

5、Pytorch 中的转置卷积 nn.ConvTranspose2d：

谈谈Pytorch中的转置卷积 nn.ConvTranspose2d（https://blog.csdn.net/qq_36560894/article/details/115552509）
nn.ConvTranspose2d详解（https://blog.csdn.net/qq_41076797/article/details/114494990）
转置卷积，主要用于上采样。

① 首先 in_channels，out_channels 就是输入通道数以及期望的输出通道数，通常是与对应的下采样Conv相反；
② kernel, stride, padding 通常与对应的下采样 Conv 保持一致，下面讲一下如何根据这些参数计算输出特征图尺寸：
如果对转置卷积参数熟悉的话，首先我们在特征图中间插值 0，每两个元素之间插 stride-1 个 0 值；然后真实的 padding 与输入的会有所区别，真正做的 padding 为 kernel-padding-1，真实的卷积核 kernel 与输入参数一致，真实的 stride 不管输入参数是什么，永远为 1：
因此，此刻的特征图尺寸为(以 H 方向为例)：

③ output_padding 参数？

通常我们将参数按 demo 的设置就已经可以得到与原图分辨率一致的上采样结果了，但有些情况下，不同分辨率的输入经过卷积能够得到同一分辨率的输出。比如，上一节给出的实例代码，我们输入 6x6 的卷积也能得到 3x3 尺寸的特征输出。

conv = nn.Conv2d(3, 8, 3, stride=2, padding=1)
Dconv = nn.ConvTranspose2d(8, 3, 3, stride=2, padding=1)

x = torch.randn(1, 3, 6, 6)

feature = conv(x)
print(feature.shape)
# out : torch.Size([1, 8, 3, 3])
y = Dconv(feature)
print(y.shape)
# out : torch.Size([1, 3, 5, 5])

但在利用转置卷积进行恢复时，只得到了 5x5 的特征，这个时候 output_padding 参数就起作用了
该参数就是用于调整输出分辨率的大小的，注意：不是在输出上插值喔！比如按照计算规则，我们只能得到 5x5 的输出，要得到 6x6 的输出就需要将 output_padding 设为 1。

conv = nn.Conv2d(3, 8, 3, stride=2, padding=1)
Dconv = nn.ConvTranspose2d(8, 3, 3, stride=2, padding=1, output_padding=1)

x = torch.randn(1, 3, 6, 6)

feature = conv(x)

y = Dconv(feature)
print(y.shape)
# out : [1,3,6,6]

---

6、torch. nn.Softmax(dim=1)：

torch. nn.Softmax(dim=1)（https://blog.csdn.net/qq_36097393/article/details/89319643）
Softmax 函数的定义：

torch. nn.Softmax(dim=2)，则对 dim=2 进行 softmax。
示例：