Question

我的张量A的形状为（1,12,2,2）如下：

  ([[[[1., 3.],
      [9., 11.],

     [[ 2.,  4.],
      [10., 12.]],

     [[ 5.,  7.],
      [13., 15.]],

     [[ 6.,  8.],
      [14., 16.]],

     [[17., 19.],
      [25., 27.]],

     [[18., 20.],
      [26., 28.]],

     [[21., 23.],
      [29., 31.]],

     [[22., 24.],
      [30., 32.]],

     [[33., 35.],
      [41., 43.]],

     [[34., 36.],
      [42., 44.]],

     [[37., 39.],
      [45., 47.]],

     [[38., 40.],
      [46., 48.]]]])

我想用pytorch对其进行混洗以产生以下形状为（1、3、4、4）的张量B：

tensor([[[[ 1.,  6.,  3.,  8.],
          [21., 34., 23., 36.],
          [ 9., 14., 11., 16.],
          [29., 42., 31., 44.]],

         [[ 2., 17.,  4., 19.],
          [22., 37., 24., 39.],
          [10., 25., 12., 27.],
          [30., 45., 32., 47.]],

         [[ 5., 18.,  7., 20.],
          [33., 38., 35., 40.],
          [13., 26., 15., 28.],
          [41., 46., 43., 48.]]]])

我已经使用两个for循环实现了这一点，如下所示：

B = torch.zeros(1,3,4,4, dtype=torch.float)
ctr = 0
for i in range(2):
    for j in range(2):
        B[:,:,i:4:2,j:4:2] = A[:,ctr:ctr+3,:,:]
        ctr = ctr+3

我正在寻找在没有这些for循环的情况下在pytorch中以矢量化方式实现此目标的任何方法。也许使用诸如.permute()之类的功能。

Answer 1

这可以解决问题

B = A.reshape(2,2,3,2,2).permute(2,3,0,4,1).reshape(1,3,4,4)

Answer 2

只需针对像素混洗中的任何上采样因子“ r”推广上述解决方案即可。

B = A.reshape(-1,r,3,s,s).permute(2,3,0,4,1).reshape(1,3,rs,rs)

此处“ s”是“ A”中每个通道的空间分辨率，“ r”是上采样因子。对于特定情况，r = 2和s = 2。该解决方案应适用于适当大小为“ A”的“ r”的任意值。

因此对于手中的问题s = 2，r = 2，解决方案如下

B = A.reshape(-1,2,3,2,2).permute(2,3,0,4,1).reshape(1,3,4,4)

由@ddoGas发布

相似地，如果'A'的大小为（1，192，356，532），并且希望通过r = 8进行升采样

B = A.reshape(-1,8,3,356,532).permute(2,3,0,4,1).reshape(1,3,2848,4256)

使用pytorch进行给定张量的向量化方法

2 个答案: