torch.nn.pixelshuffle() 在超分去噪任务中常用

于 2024-03-11 12:52:12 发布
阅读量385 收藏 7
点赞数 7
分类专栏： 人工智能 文章标签： 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/xiao_ZHEDA/article/details/136619853
版权
本文详细探讨了`torch.nn.PixelShuffle`函数，指出它不涉及卷积，而是元素级的重新排列。在结合卷积时，该操作在超分辨率任务中表现出色，与reshape操作有明显区别。
摘要由CSDN通过智能技术生成

1.参考文章：

（1）按照 形状变换来说的话，这篇文章讲得听清楚的

torch.nn.PixelShuffle(upscale_factor)函数详解 - 知乎 (zhihu.com)

效果：我感觉，这和reshape有什么区别吗？

2.理解分析：

（1）根据chatGPT的解释[torch的这个源码似乎没找到]

        反正，这个torch.nn.pixelshuffle本身是不涉及卷积的，只是元素的重排。

（2）但是，这种重排 结合 卷积的话，应该会在超分任务中取得较好的效果

诚威_lol_中大努力中
关注
  • 7
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
torch.nn.PixelShuffle
tsq292978891的博客
11-16 1346
参考：https://pytorch.org/docs/stable/generated/torch.nn.PixelShuffle.html pixel_shuffle = nn.PixelShuffle(3) input = torch.randn(1, 9, 4, 4) output = pixel_shuffle(input) print(output.size()) # 1, 1,12,12 In [10]: input.sum() Out[10]: tensor(-12.1099) In
PyTorch常用函数(7)
weixin_43229348的博客
09-16 261
1. 可视化层 torch.nn.PixelShuffle(upscale_factor)： 将 shape 为[N,C∗r2,H,W][N, C*r^2, H, W][N,C∗r2,H,W]的 Tensor 重新排列为 shape 为[N,C,H∗r,W∗r][N, C, H*r, W*r][N,C,H∗r,W∗r]的 Tensor。 当使用stride=1/r 的 sub-pixel 卷积的时候，这个方法是非常有用的。 参数 （1）upscale_factor (int)：增加空间分辨率因子 形状 （
tf.depth_to_space和torch.nn.pixel_shuffle
qq_41295976的博客
03-26 949
转载https://blog.csdn.net/CHNguoshiwushuang/article/details/80878460
【Pytorch】nn.PixelShuffle
weixin_44378835的博客
08-10 2715
PixelShuffle是一种上采样方法
【torch.nn.PixelShuffle】和 【torch.nn.UnpixelShuffle】
zyw2002的博客
08-09 5385
PixelUnshuffle就是PixelShuffle的逆操作。如下图可以看到，PixelShuffle是把输入通道按照缩放因子。PixelShuffle是一种上采样方法，它将形状为。功能： 是PixelShuffle的逆操作，把大小为。输入的第二组（后4个通道）中的元素，每次间隔。，PixelShuffle的 缩放因子是。交错排列，合并成输出的第一个通道维度。交错排列，合并成输出通道的第二个维度。是 0 或者batch大小。的张量重新排列转换为形状为。通道）中的元素，每次间隔。的张量重新排列为大小为。
PyTorch之PixelShuffle
Ton的博客
04-05 1万+
这里介绍一下PyTorch中torch.nn.PixelShuffle()这个层的背景介绍和相关用法。 参考文档： ①PyTorch中的PixelShuffle PixelShuffle层1 背景介绍2 用法简介2.1 实战代码2.2 效果展示 1 背景介绍 PixelShuffle层又名亚像素卷积层，是论文Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural .
PyTorch里面的torch.nn.Parameter()详解
09-18
在PyTorch中，`torch.nn.Parameter()`是一个非常关键的类，它用于创建可学习的参数。这些参数通常是神经网络模型中的权重和偏置，它们在训练过程中会被优化算法更新以最小化损失函数。本文将深入探讨`torch.nn....
Pythorch中torch.nn.LSTM()参数详解
04-27
Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()...
Pytorch中torch.nn的损失函数
12-21
一、torch.nn.BCELoss(weight=None, size_average=True) 二、nn.BCEWithLogitsLoss(weight=None, size_average=True) 三、torch.nn.MultiLabelSoftMarginLoss(weight=None, size_average=True) 四、总结 前言 最近...
pytorch1.0中torch.nn.Conv2d用法详解
09-18
在PyTorch 1.0中，`torch.nn.Conv2d`是用于执行二维卷积操作的核心模块。它是深度学习模型，尤其是计算机视觉任务中不可或缺的一部分。本文将深入讲解`nn.Conv2d`的主要功能、参数及其用法。 首先，`nn.Conv2d`的...
nn.Pixelshuffle的转化规则
qq_39861441的博客
04-03 3178
简单来说，例如nn.Pixelshuffle（2），他会将前4个通道，拼在第一个通道的空间中，然后将接下来4个通道拼在输出的第二个通道的空间中，依次类推，见下面的实验就懂了 实验代码 import torch import torch.nn as nn ps = nn.PixelShuffle(2) c=8 h=4 w=4 input = torch.range(1,c*h*w).view(1,c,h,w) print(input.shape) output = ps(input) print("ou
PixelShuffle方法
rocking_struggling的博客
04-12 2万+
原文链接：https://blog.csdn.net/u014636245/article/details/98071626 PixelShuffle是一种上采样方法，可以对缩小后的特征图进行有效的放大。可以替代插值或解卷积的方法实现upscale PixelShuffle PixelShuffle(像素重组)的主要功能是将低分辨的特征图，通过卷积和多通道间的重组得到高分辨率的特征图。这一方法最...
PyTorch学习笔记 ——上采样和PixelShuffle
Hali_Botebie的博客
03-29 6990
去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi Wenzhe（在Twitter任职）发表的PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》的论文。 PyTorch 0.4.1将这些上采样的方式定义为Vision Laye
PixelShuffle特征图的上采样的方法
TomRen
08-01 1万+
pixleshuffle像素重组方法-->亚像素卷积:一种图像特征图的上采样方法 ▲『N*(C*r*r)*W*H---->>N*C*(H*r)*(W*r)』
超分辨率网络ESPCN中的pixel shuffle--几种代码思路（基于TF, Pytorch）
qq249356520的博客
07-10 4494
方法一： 源码来自github：https://github.com/JuheonYi/VESPCN-tensorflow中 ESPCN部分 首先简单的来看ESPCN的网络结构搭建 conv--conv--conv--ps def network(self, LR): feature_tmp = tf.layers.conv2d(LR, 64, 5, stri...
超分任务中的转置卷积、pixelshuffle 和插值上采样
最新发布
U R MINE
12-26 669
pixelshuffle 在超分任务中比较主流，不过我实测发现跟其他的上采样方式效果差别不大，内存和计算速度上也没啥差别。
pixelshufflle实现超分辨率重建
weixin_42432844的博客
06-28 505
pixelshuffle定义： 算法思路：图像转张量（NxCxWxH）–增加C的维度–调用pixelshuffle 博主最近在做图像超分辨率重建，复现了SRCNN,RDN一些卷积之后concat再进行上采样的算法，今天做了一下简单的pixelshuffle。 import torch from torch import nn import cv2 import numpy as np from torchvision import transforms img1 = cv2.imread('./107.p
PixelShuffle原理笔记（paper，pytorch实现）
蓝羽飞鸟的博客
03-21 1万+
pixel shuffer是一种图像上采样的方法，参考paper 它在Pytorch中的实现为 torch.nn.PixelShuffer(r) 其中r为上采样倍率。 paper中提到，之前的上采样通过插值把低分辨率（LR）图像转换到高分辨率（HR），然后在HR特征空间处理，得到超分辨率（SR）图像。 paper提出了一种跳过插值转换HR的步骤，直接从LR特征空间转换为SR图像。 它基于的假设是，在很多SR技术中，高频数据是冗余的，因而可以直接由低频部分得到。 网络的前L-1层如下： W是conv2D，
PyTorch学习笔记(10)——上采样和PixelShuffle
热门推荐
g11d111的博客
09-27 11万+
去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi Wenzhe（在Twitter任职）发表的PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional...
torch.nn.functional和torch.nn
09-10
torch.nn.functional和torch.nn是PyTorch中用于构建神经网络的两个重要模块。 torch.nn是PyTorch中的一个模块，它包含了用于构建神经网络的各种类和函数。这些类和函数提供了许多常用的神经网络组件，如线性层、卷积层、池化层等。通过继承这些类，我们可以很方便地定义自己的神经网络模型。 torch.nn.functional是另一个模块，它包含了一些非常常用的函数，如激活函数（如ReLU、Sigmoid、Tanh等）、池化函数（如MaxPool、AvgPool等）以及损失函数（如交叉熵损失函数CrossEntropyLoss等）。这些函数可以直接作为普通的Python函数来调用，而不需要定义一个类。 总的来说，torch.nn提供了一系列已经实现好的神经网络组件，而torch.nn.functional则提供了一些用于构建神经网络的常用函数。我们可以根据自己的需要选择使用哪个模块。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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