MinkowskiPooling池化（上）

MinkowskiPooling池化（上）

 如果内核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），则引擎将更快地生成与池化函数相对应的输入输出映射。

如果使用U网络架构，请使用相同功能的转置版本进行上采样。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。

 stride (int, or list, optional)：卷积层的步幅大小。如果使用非同一性，则输出坐标至少为stride ×× tensor_stride 远。给出列表时，长度必须为D；每个元素将用于特定轴的步幅大小。

dilation (int, or list, optional)：卷积内核的扩展大小。给出列表时，长度必须为D，并且每个元素都是轴特定的膨胀。所有元素必须> 0。

kernel_generator (MinkowskiEngine.KernelGenerator, optional)：定义自定义内核形状。

dimension（int）：定义所有输入和网络的空间的空间尺寸。例如，图像在2D空间中，网格和3D形状在3D空间中。

当kernel_size ==跨度时，不支持自定义内核形状。

将所有模型参数和缓冲区移至CPU。

Module: self

将所有模型参数和缓冲区移至GPU。

这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。

copied to that device

Module: self

将所有浮点参数和缓冲区强制转换为double数据类型。

模块：self

将所有浮点参数和缓冲区强制转换为float数据类型。

模块：self

input (MinkowskiEngine.SparseTensor)：输入稀疏张量以对其进行卷积。

coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional)：如果提供，则在提供的坐标上生成结果。默认情况下没有。

Moves and/or casts the parameters and buffers.

This can be called as

其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区 ，dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。

此方法local修改模块。

and buffers in this module

the floating point parameters and buffers in this module

dtype and device for all parameters and buffers in this module

format for 4D parameters and buffers in this module (keyword only argument)

Module: self

Example:

>>> linear = nn.Linear(2, 2)

>>> linear.weight

Parameter containing:

tensor([[ 0.1913, -0.3420],

        [-0.5113, -0.2325]])

>>> linear.to(torch.double)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1913, -0.3420],

        [-0.5113, -0.2325]], dtype=torch.float64)

>>> gpu1 = torch.device("cuda:1")

>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1914, -0.3420],

        [-0.5112, -0.2324]], dtype=torch.float16, device=‘cuda:1‘)

>>> cpu = torch.device("cpu")

>>> linear.to(cpu)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1914, -0.3420],

        [-0.5112, -0.2324]], dtype=torch.float16)

Casts all parameters and buffers to dst_type.

dst_type (type or string): the desired type

Module: self

MinkowskiAvgPooling

 平均层首先计算输入要素的基数，每个输出的输入要素数，然后将输入要素的总和除以基数。对于密集的张量，基数是一个常数，即内核的体积。但是，对于张量稀疏，基数取决于每个输出的输入特征的数量而变化。因此，稀疏张量的平均池化不等于传统的密集张量的平均池化层。请参考MinkowskiSumPooling等效层。

如果内核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），则引擎将更快地生成与池化函数相对应的输入输出映射。

如果使用U网络架构，请使用相同功能的转置版本进行上采样。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。

__init__(kernel_size=- 1, stride=1, dilation=1, kernel_generator=None, dimension=None)

高维稀疏平均池化层。

kernel_size (int, optional): the size of the kernel in the output tensor. If not provided, region_offset should be RegionType.CUSTOM and region_offset should be a 2D matrix with size N×DN×D such that it lists all NN offsets in D-dimension.

stride (int, or list, optional): stride size of the convolution layer. If non-identity is used, the output coordinates will be at least stride ×× tensor_stride away. When a list is given, the length must be D; each element will be used for stride size for the specific axis.

dilation (int, or list, optional): dilation size for the convolution kernel. When a list is given, the length must be D and each element is an axis specific dilation. All elements must be > 0.

kernel_generator (MinkowskiEngine.KernelGenerator, optional): define custom kernel shape.

dimension (int): the spatial dimension of the space where all the inputs and the network are defined. For example, images are in a 2D space, meshes and 3D shapes are in a 3D space.

当kernel_size ==跨度时，不支持自定义内核形状。

将所有模型参数和缓冲区移至CPU。

模块：self

所有模型参数和缓冲区移至GPU。

这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。

copied to that device

Module: self

将所有浮点参数和缓冲区强制转换为double数据类型。

模块：self

将所有浮点参数和缓冲区强制转换为float数据类型。

模块：self

input (MinkowskiEngine.SparseTensor): Input sparse tensor to apply a convolution on.

coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional): If provided, generate results on the provided coordinates. None by default.

Moves and/or casts the parameters and buffers.

This can be called as

其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区 ，dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。

This method modifies the module in-place.

and buffers in this module

the floating point parameters and buffers in this module

dtype and device for all parameters and buffers in this module

format for 4D parameters and buffers in this module (keyword only argument)

Module: self

Example:

>>> linear = nn.Linear(2, 2)

>>> linear.weight

Parameter containing:

tensor([[ 0.1913, -0.3420],

        [-0.5113, -0.2325]])

>>> linear.to(torch.double)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1913, -0.3420],

        [-0.5113, -0.2325]], dtype=torch.float64)

>>> gpu1 = torch.device("cuda:1")

>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1914, -0.3420],

        [-0.5112, -0.2324]], dtype=torch.float16, device=‘cuda:1‘)

>>> cpu = torch.device("cpu")

>>> linear.to(cpu)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1914, -0.3420],

        [-0.5112, -0.2324]], dtype=torch.float16)

Casts all parameters and buffers to dst_type.

dst_type (type or string): the desired type

Module: self

MinkowskiSumPooling

Sum all input features within a kernel.

 平均层首先计算输入要素的基数，每个输出的输入要素数，然后将输入要素的总和除以基数。对于密集的张量，基数是一个常数，即内核的体积。但是，对于张量稀疏，基数根据每个输出的输入特征数而变化。因此，用基数对输入特征求平均可能不等于密集张量的常规平均池。该层提供了一种不将总和除以基数的方法。

如果内核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），则引擎将更快地生成与池化函数相对应的输入输出映射。

如果使用U网络架构，请使用相同功能的转置版本进行上采样。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。

a high-dimensional sum pooling layer

kernel_size (int, optional): the size of the kernel in the output tensor. If not provided, region_offset should be RegionType.CUSTOM and region_offset should be a 2D matrix with size N×DN×D such that it lists all NN offsets in D-dimension.

stride (int, or list, optional): stride size of the convolution layer. If non-identity is used, the output coordinates will be at least stride ×× tensor_stride away. When a list is given, the length must be D; each element will be used for stride size for the specific axis.

dilation (int, or list, optional): dilation size for the convolution kernel. When a list is given, the length must be D and each element is an axis specific dilation. All elements must be > 0.

kernel_generator (MinkowskiEngine.KernelGenerator, optional): define custom kernel shape.

dimension (int): the spatial dimension of the space where all the inputs and the network are defined. For example, images are in a 2D space, meshes and 3D shapes are in a 3D space.

当kernel_size ==跨度时，不支持自定义内核形状。

将所有模型参数和缓冲区移至CPU。

模块：self

cuda(device:Optional[Union[int, torch.device]]=None) → T

将所有模型参数和缓冲区移至GPU。

这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。

copied to that device

Module: self

将所有浮点参数和缓冲区强制转换为double数据类型。

模块：self

将所有浮点参数和缓冲区强制转换为float数据类型。

模块：self

input (MinkowskiEngine.SparseTensor): Input sparse tensor to apply a convolution on.

coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional): If provided, generate results on the provided coordinates. None by default.

Moves and/or casts the parameters and buffers.

This can be called as

其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区 ，dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。

请参见下面的示例。

and buffers in this module

the floating point parameters and buffers in this module

dtype and device for all parameters and buffers in this module

format for 4D parameters and buffers in this module (keyword only argument)

Module: self

Example:

>>> linear = nn.Linear(2, 2)

>>> linear.weight

Parameter containing:

tensor([[ 0.1913, -0.3420],

        [-0.5113, -0.2325]])

>>> linear.to(torch.double)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1913, -0.3420],

        [-0.5113, -0.2325]], dtype=torch.float64)

>>> gpu1 = torch.device("cuda:1")

>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1914, -0.3420],

        [-0.5112, -0.2324]], dtype=torch.float16, device=‘cuda:1‘)

>>> cpu = torch.device("cpu")

>>> linear.to(cpu)

Linear(in_features=2, out_features=2, bias=True)

>>> linear.weight

Parameter containing:

tensor([[ 0.1914, -0.3420],

        [-0.5112, -0.2324]], dtype=torch.float16)

Casts all parameters and buffers to dst_type.

dst_type (type or string): the desired type

Module: self

MinkowskiPooling池化（上）

原文：https://www.cnblogs.com/wujianming-110117/p/14226752.html