F.unfold运行解析

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, kernel),padding=up_factor, stride=up_factor)
print(s)
print("\n*****************************\n")
print(t.shape)
print(t)
print(t[0, :, 0])

结果

tensor([[[[  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.,  11.,12.],[ 13.,  14.,  15.,  16.,  17.,  18.,  19.,  20.,  21.,  22.,  23.,24.],[ 25.,  26.,  27.,  28.,  29.,  30.,  31.,  32.,  33.,  34.,  35.,36.],[ 37.,  38.,  39.,  40.,  41.,  42.,  43.,  44.,  45.,  46.,  47.,48.],[ 49.,  50.,  51.,  52.,  53.,  54.,  55.,  56.,  57.,  58.,  59.,60.],[ 61.,  62.,  63.,  64.,  65.,  66.,  67.,  68.,  69.,  70.,  71.,72.],[ 73.,  74.,  75.,  76.,  77.,  78.,  79.,  80.,  81.,  82.,  83.,84.],[ 85.,  86.,  87.,  88.,  89.,  90.,  91.,  92.,  93.,  94.,  95.,96.],[ 97.,  98.,  99., 100., 101., 102., 103., 104., 105., 106., 107.,108.],[109., 110., 111., 112., 113., 114., 115., 116., 117., 118., 119.,120.],[121., 122., 123., 124., 125., 126., 127., 128., 129., 130., 131.,132.],[133., 134., 135., 136., 137., 138., 139., 140., 141., 142., 143.,144.]],[[145., 146., 147., 148., 149., 150., 151., 152., 153., 154., 155.,156.],[157., 158., 159., 160., 161., 162., 163., 164., 165., 166., 167.,168.],[169., 170., 171., 172., 173., 174., 175., 176., 177., 178., 179.,180.],[181., 182., 183., 184., 185., 186., 187., 188., 189., 190., 191.,192.],[193., 194., 195., 196., 197., 198., 199., 200., 201., 202., 203.,204.],[205., 206., 207., 208., 209., 210., 211., 212., 213., 214., 215.,216.],[217., 218., 219., 220., 221., 222., 223., 224., 225., 226., 227.,228.],[229., 230., 231., 232., 233., 234., 235., 236., 237., 238., 239.,240.],[241., 242., 243., 244., 245., 246., 247., 248., 249., 250., 251.,252.],[253., 254., 255., 256., 257., 258., 259., 260., 261., 262., 263.,264.],[265., 266., 267., 268., 269., 270., 271., 272., 273., 274., 275.,276.],[277., 278., 279., 280., 281., 282., 283., 284., 285., 286., 287.,288.]]]])*****************************torch.Size([1, 72, 36])
tensor([[[  0.,   0.,   0.,  ..., 101., 103., 105.],[  0.,   0.,   0.,  ..., 102., 104., 106.],[  0.,   0.,   0.,  ..., 103., 105., 107.],...,[182., 184., 186.,  ...,   0.,   0.,   0.],[183., 185., 187.,  ...,   0.,   0.,   0.],[184., 186., 188.,  ...,   0.,   0.,   0.]]])
tensor([  0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,0.,   0.,   1.,   2.,   3.,   4.,   0.,   0.,  13.,  14.,  15.,  16.,0.,   0.,  25.,  26.,  27.,  28.,   0.,   0.,  37.,  38.,  39.,  40.,0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,   0.,0.,   0., 145., 146., 147., 148.,   0.,   0., 157., 158., 159., 160.,0.,   0., 169., 170., 171., 172.,   0.,   0., 181., 182., 183., 184.])

F.unfold运行解析相关推荐

【芯片前端】Filelist -f/-F的文件解析方式探究
前言测试所用的文件目录(列举关键文件): /home/xiaotu/my_work/uvm_demo -cfg/ -ctl/ -rtl/ -sim/-Makefile -tc/ -th/ -ver/ ...
关于Pytorch的F.unfold函数
关于Pytorch的F.unfold函数最近使用到这个函数,但是一直不明白什么意思.在此做一个测试大致上,可以理解为这个函数在做卷积的滑动窗口.但是只有卷的部分,没有积的部分. 可以看原文 htt ...
nn.unfold和nn.fold与张量.unfold,还有F.unfold是不一样的操作
1:nn.unfold和nn.fold参考:(1条消息) 「详解」torch.nn.Fold和torch.ynn.Unfold操作_ViatorSun的博客-CSDN博客_unfold操作 (1条消息 ...
讯飞实时语音转写 python3.6.1 可完美运行解析返回的json字符串输出所获语音文字
百度语音识别对录音要求较高(可能是我的问题,sdk和在线api都试过了(滑稽保命)),失败后选择讯飞语音,官方提供的文档是python2版本的 ,经过修改后可在python3中运行 ,解析返回的jso ...
python输出姓名年龄_Python格式化输出--%s,%d,%f的代码解析
String(字符型)–%s integer(整形)–%d float(浮点型)–%f 实例我们需要输出一个人的信息代码: #coding=utf-8 #输出一个人的基本信息:姓名:%s 爱好:% ...
python主程序调用子程序_使用main.f90模块调用特定的.f文件运行f2py时出现问题？（未知的子程序？）...
我尝试使用f2py将fortran函数与我的主要python代码集成.但是,当我试图包含一个特定的".f"文件时,f2py会引发一个错误(但可以很好地处理其他".f&qu ...
python笔记—文件中的f.readline()方法解析
** 首先一般解读是 f.readline() :从文件中读取一整行字符串(包括末尾的换行'\n') 通过例子具体来看 1. 编写一个程序,当用户输入文件名和行数(N)后,将该文件的前N行内容打印到屏 ...
x.unfold/F.unfold/nn.Unfold
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 ...
MapReduce-Shuffle机制运行解析
概述在MapReduce(分布式计算框架,底层依赖HDFS)中,map阶段经过处理输出的数据怎样传递给reduce并保证reduce的输入都是按键排序好的,在MR中是极为关键的一个流程,这个流程叫做 ...

F.unfold运行解析

F.unfold运行解析相关推荐

最新文章

热门文章