MinkowskiEngine实用函数和类

MinkowskiEngine实用函数和类

sparse_quantize

MinkowskiEngine.utils.sparse_quantize(coords, feats=None, labels=None, ignore_label=- 100, return_index=False, return_inverse=False, quantization_size=None)

给定坐标和特征（optional的标签），函数将生成量化（体素化）坐标。

Args：

coords（numpy.ndarray或torch.Tensor）： N×D矩阵大小 ，其中 N 是点数 ，D是维数空间。

feats（numpy.ndarray或torch.Tensor，optional）：大小矩阵N×DF ，其中 N 是点数， DF是特征的尺寸。必须与coords具有相同的容器（即，如果coords是torch.Tensor，则feats 也必须是torch.Tensor）。

labels（numpy.ndarray或torch.IntTensor，optional）：与eah坐标关联的整数标签。必须与coords具有相同的容器（即，如果coords是torch.Tensor，则 标签也必须是torch.Tensor）。对于将一组点映射到一个标签的分类，请勿输入标签。

ignore_label（int，optional）：IGNORE LABEL的int值。 torch.nn.CrossEntropyLoss(ignore_index=ignore_label)

return_index（bool，optional）：如果需要量化坐标的索引，则设置True。默认为False。

return_inverse（bool，optional）：如果希望索引可以恢复离散化的原始坐标，则将其设置为True。默认为False。当return_reverse为True时，return_index必须为True。

例：

>>> unique_map, inverse_map = sparse_quantize(discrete_coords, return_index=True, return_inverse=True)

>>> unique_coords = discrete_coords[unique_map]

>>> print(unique_coords[inverse_map] == discrete_coords)  # True

quantization_size（float，list或 numpy.ndarray，optional）：网格单元的超矩形各边的长度。

例：

>>> # Segmentation

>>> criterion = torch.nn.CrossEntropyLoss(ignore_index=-100)

>>> coords, feats, labels = MinkowskiEngine.utils.sparse_quantize(

>>>     coords, feats, labels, ignore_label=-100, quantization_size=0.1)

>>> output = net(MinkowskiEngine.SparseTensor(feats, coords))

>>> loss = criterion(output.F, labels.long())

>>>

>>> # Classification

>>> criterion = torch.nn.CrossEntropyLoss(ignore_index=-100)

>>> coords, feats = MinkowskiEngine.utils.sparse_quantize(coords, feats)

>>> output = net(MinkowskiEngine.SparseTensor(feats, coords))

>>> loss = criterion(output.F, labels.long())

batched_coordinates

MinkowskiEngine.utils.batched_coordinates（coords）

根据一系列坐标，创建一个ME.SparseTensor坐标

给定numpy或pytorch张量坐标的列表，返回适合ME.SparseTensor的批处理坐标。

Args：

coords（torch.Tensor或numpy.ndarray的序列）：坐标列表。

返回值：

coords（torch.IntTensor）：批处理的坐标。

警告

从v0.4开始，批次索引将在所有坐标之前。

sparse_collat​​e

MinkowskiEngine.utils.sparse_collate（coords, feats, labels=None）

为稀疏张量文档创建输入参数。

将一组坐标和特征要素转换为批处理坐标和批处理要素。

Args：

coords（一组torch.Tensor或numpy.ndarray）：一组坐标。

feats（一组torch.Tensor或numpy.ndarray）：一组功能。

labels（一组torch.Tensor或numpy.ndarray）：与输入关联的一组标签。

batch_sparse_collat​​e

MinkowskiEngine.utils.batch_sparse_collate（data）

可以与torch.utils.data.DataLoader结合使用的wrapper包装器函数，为稀疏张量生成输入。

请参阅训练示例以了解用法。

Args：

data：（coordinates, features, labels）元组的列表。

稀疏整理

类MinkowskiEngine.utils.SparseCollation（limit_numpoints = -1）

为coords, feats, labels生成集成功能。

请参阅训练示例以了解用法。

Args：

limit_numpoints（int）：如果为正整数，则限制批量大小，以使输入坐标的数量低于limit_numpoints。如果为0或False，则连接所有点。默认为-1。

例：

>>> data_loader = torch.utils.data.DataLoader(

>>>     dataset,

>>>     ...,

>>>     collate_fn=SparseCollation())

>>> for d in iter(data_loader):

>>>     print(d)

__init__（limit_numpoints = -1）

初始化self. See help(type(self))有关准确的签名。

get_coords_map

MinkowskiEngine.utils.get_coords_map（x，y）

获取稀疏张量1和稀疏张量2之间的映射。

Args：

x（MinkowskiEngine.SparseTensor）：x.tensor_stride <= y.tensor_stride的稀疏张量 。

y（MinkowskiEngine.SparseTensor）：x.tensor_stride <= y.tensor_stride的稀疏张量 。

返回值：

x_indices（torch.LongTensor）：x的索引与返回的y索引相对应。

x_indices（torch.LongTensor）：y的索引，它对应于返回的x的索引。

例：

.. code-block:: python

sp_tensor = ME.SparseTensor(features, coords=coordinates)

out_sp_tensor = stride_2_conv(sp_tensor)

ins, outs = get_coords_map(sp_tensor, out_sp_tensor)

for i, o in zip(ins, outs):

print(f"{i} -> {o}")

cat

MinkowskiEngine.cat（* sparse_tensors）

级联稀疏张量

连接稀疏张量特征。所有稀疏张量必须具有相同的 coords_key（相同的坐标）。要连接具有不同稀疏性模式的稀疏张量，请使用SparseTensor二进制运算或 MinkowskiEngine.MinkowskiUnion。

例：

>>> import MinkowskiEngine as ME

>>> sin = ME.SparseTensor(feats, coords)

>>> sin2 = ME.SparseTensor(feats2, coords_key=sin.coords_key, coords_man=sin.coords_man)

>>> sout = UNet(sin)  # Returns an output sparse tensor on the same coordinates

>>> sout2 = ME.cat(sin, sin2, sout)  # Can concatenate multiple sparse tensors