用香港服务器建网站做微商/北京十大教育培训机构排名

torch.nn.PixelShuffle

直观解释

PixelShuffle是一种上采样方法，它将形状为$(\ast ,C\times r^2,H,W)$的张量重新排列转换为形状为$(\ast ,C,H\times r,W\times r)$的张量：

---

举个例子
输入的张量大小是(1,8,2,3)，PixelShuffle的 缩放因子是r=2。

import torch
ps=torch.nn.PixelShuffle(2)
input=torch.arange(0,48).view(1,8,2,3)
print(input)
output=ps(input)
print(output)
print(output.shape)

如下图可以看到，PixelShuffle是把输入通道按照缩放因子r^2进行划分成8/(2^2)=2 组。
也就是输入的第一组（前4个通道）中的元素，每次间隔r=2 交错排列，合并成输出的第一个通道维度。
输入的第二组（后4个通道）中的元素，每次间隔r=2交错排列，合并成输出通道的第二个维度。
输入的大小为(batchsize,in_channel,in_height,in_width)=(1,8,2,3)
输出的大小为(batchsize,out_channel,out_height,out_width)(1,2,4,6)

各个维度的变化规律如下：
batchsize 不变;
out_channel=in_channel/(r^2)
out_height=in_height*r
out_width=in_width*r

官方文档

CLASS
torch.nn.PixelShuffle(upscale_factor)

• 功能： 把大小为$(\ast ,C\times r^2,H,W)$的张量重新排列为大小为$(\ast ,C,H\times r,W\times r)$ , 其中 $r$ 是 upscale factor 。

  这个操作对于实现步长为$\frac{1}{r}$的efficient sub-pixel convolution有用。

• 参数

  • upscale_factor(int) : 增加空间分辨率的因子

• 形状

  • 输入：$(\ast ,C_{in},H_{in},W_{in})$ ，其中$\ast$ 是 0 或者batch大小

  • 输出：$(\ast ,C_{out},H_{out},W_{out})$ , 其中

    $$\begin{gathered} C_{\text{out }}=C_{\text{in }}÷upscale\_facto{r}^2 \\ {H}_{\text{out }}=H_{\text{in }}\times upscale\_factor \\ {W}_{\text{out }}=W_{\text{in }}\times upscale\_factor \end{gathered}$$

• 例子

>>> pixel_shuffle = nn.PixelShuffle(3)
>>> input = torch.randn(1, 9, 4, 4)
>>> output = pixel_shuffle(input)
>>> print(output.size())
torch.Size([1, 1, 12, 12])

torch.nn.PixelUnshuffle

直观解释

PixelUnshuffle就是PixelShuffle的逆操作。

import torch
pus=torch.nn.PixelUnshuffle(2)
input_restore=pus(putput)
print(input_restore)
print(input_restore.shape)
print(input_restore==input) # input_restore和input一样

官方文档

CLASS
torch.nn.PixelUnshuffle(downscale_factor)

• 功能： 是PixelShuffle的逆操作，把大小为$(\ast ,C,H\times r,W\times r)$的张量重组成大小为$(\ast ,C\times r,H,W)$的张量。其中 $r$ 是downscale factor。

• 参数：

  • downscale_factor (int) : 降低空间分辨率的因子。

• 形状：

  • 输入：$(\ast ,C_{in},H_{in},W_{in})$, 其中 $\ast$ 是 0 或者batch大小

  • 输出：$(\ast ,C_{out},H_{out},W_{out})$, 其中

    $$\begin{array}{rl}& C_{\text{out }}=C_{\text{in }}\times \text{ downscale }\_\text{factor }{}^2\\ & H_{\text{out }}=H_{\text{in }}÷\text{ downscale }\_\text{factor }\\ & W_{\text{out }}=W_{\text{in }}÷\text{ downscale }\_\text{factor }\end{array}$$

• 例子

>>> pixel_unshuffle = nn.PixelUnshuffle(3)
>>> input = torch.randn(1, 1, 12, 12)
>>> output = pixel_unshuffle(input)
>>> print(output.size())
torch.Size([1, 9, 4, 4])