Minkowski坐標(biāo)管理
坐標(biāo)鍵
classMinkowskiEngine.CoordsKey（D）
init（D）
初始化self. See help(type(self))有關(guān)準(zhǔn)確的簽名。
getKey（）
getTensorStride（）
isKeySet（）
setKey（key）
setTensorStride（tensor_stride）
坐標(biāo)管理器
Class MinkowskiEngine.CoordsManager（num_threads ： int = -1，memory_manager_backend ： MinkowskiEngineBackend.MemoryManagerBackend = None，D ： int = -1）
init（num_threads ： int = -1，memory_manager_backend ： MinkowskiEngineBackend.MemoryManagerBackend = None，D ： int = -1）
初始化self. See help(type(self))有關(guān)準(zhǔn)確的簽名。
create_coords_key（COORDS ： torch.IntTensor，tensor_stride ： INT = 1，force_creation ： BOOL = False，force_remap ： BOOL = False，allow_duplicate_coords ： BOOL = False） → MinkowskiCoords.CoordsKey
get_batch_indices（）
get_batch_size（）
get_coords（coords_key_or_tensor_strides）
get_coords_map（in_key_or_tensor_strides，out_key_or_tensor_strides）
提取映射到輸出坐標(biāo)索引的輸入坐標(biāo)索引。
sp_tensor = ME.SparseTensor(features, coords=coordinates)
out_sp_tensor = stride_2_conv(sp_tensor)

cm = sp_tensor.coords_man

cm = out_sp_tensor.coords_man # doesn’t matter which tensor you pick

ins, outs = cm.get_coords_map(1, # in stride
2) # out stride
for i, o in zip(ins, outs):
print(f"{i} -> {o}")
get_coords_size_by_coords_key（coords_key）
get_kernel_map（in_key_or_tensor_strides，out_key_or_tensor_strides，stride = 1，kernel_size = 3，dilation = 1，region_type = 0，region_offset = None，is_transpose = False，is_pool = False，on_gpu = False）
獲取指定坐標(biāo)鍵或張量stride的內(nèi)核出入映射。
get_mapping_by_tensor_strides（in_tensor_strides，out_tensor_strides）
get_row_indices_at（coords_key，batch_index）
返回指定批處理索引的torch.LongTensor行索引
sp_tensor = ME.SparseTensor(features, coords=coordinates)
row_indices = sp_tensor.coords_man.get_row_indices_at(sp_tensor.coords_key, batch_index)
get_row_indices_per_batch（coords_key，out_coords_key =None）
返回每個(gè)批次的行索引List。
相應(yīng)的批處理索引可通過get_batch_indices訪問。
sp_tensor = ME.SparseTensor(features, coords=coordinates)
row_indices = sp_tensor.coords_man.get_row_indices_per_batch(sp_tensor.coords_key)
get_union_map（in_keys ： List[ MinkowskiCoords.CoordsKey ]，out_key ： MinkowskiCoords.CoordsKey）
生成坐標(biāo)集的并集，并將映射從輸入集返回到新的輸出坐標(biāo)。
精氨酸：
in_keys （List [CoordsKey]）：在其上創(chuàng)建并集的坐標(biāo)鍵List。
out_key （CoordsKey）：生成的并列坐標(biāo)散列圖的坐標(biāo)鍵的占位符。
返回值：
in_maps（List [Tensor [int]]）：長張量的List，其中包含從輸入到聯(lián)合輸出的映射。請(qǐng)參閱示例以獲取更多詳細(xì)信息。 out_maps（List [Tensor [int]]）：長張量的List，其中包含從輸入到聯(lián)合輸出的映射。請(qǐng)參閱示例以獲取更多詳細(xì)信息。
例：

Adding two sparse tensors: A, B

out_key = CoordsKey(coords_man.D)
ins, outs = coords_man.get_union_map((A.coords_key, B.coords_key), out_key)
N = coords_man.get_coords_size_by_coords_key(out_key)
out_F = torch.zeros((N, A.F.size(1)), dtype=A.dtype)
out_F[outs[0]] = A.F[ins[0]]
out_F[outs[1]] += B.F[ins[1]]
initialize（COORDS ： torch.IntTensor，coords_key ： MinkowskiCoords.CoordsKey，force_creation ： BOOL = False，force_remap ： BOOL = False，allow_duplicate_coords ： BOOL = False，return_inverse ： BOOL = False） →torch.LongTensor
permute_label（label，max_label，target_tensor_stride，label_tensor_stride = 1）
print_diagnostics（coords_key ： MinkowskiCoords.CoordsKey）
reduce（）
set_origin_coords_key（coords_key ： MinkowskiCoords.CoordsKey）
stride（coords_key ： MinkowskiCoords.CoordsKey，stride： Union [ int ， collections.abc.Sequence ， numpy.ndarray ， Torch.Tensor ]，force_creation ： bool = False）
transposed_stride（coords_key ： MinkowskiCoords.CoordsKey，stride： Union [ int ， collections.abc.Sequence ， numpy.ndarray ， torch.Tensor ]，kernel_size ： Union [ int ， collections.abc.Sequence ， numpy.ndarray ， torch.Tensor ]，dilation： Union [ int ， collections.abc.Sequence ， numpy.ndarray ， Torch.Tensor ]，force_creation ： bool = False）
坐標(biāo)GPU內(nèi)存管理器
classMinkowskiEngine.MemoryManagerBackend
Members:
CUDA
PYTORCH
property name
(self: handle) -> str
MinkowskiEngine.MinkowskiCoords.set_memory_manager_backend(backend: MinkowskiEngineBackend.MemoryManagerBackend)
設(shè)置GPU內(nèi)存管理器后端
默認(rèn)情況下，Minkowski引擎將使用pytorch內(nèi)存池分配臨時(shí)GPU內(nèi)存插槽。這使pytorch后端可以有效地重用pytorch后端和Minkowski引擎之間共享的內(nèi)存池。給定固定的GPU內(nèi)存，它傾向于允許以較大的批處理量進(jìn)行訓(xùn)練。但是，pytorch內(nèi)存管理器往往比直接使用原始CUDA調(diào)用分配GPU慢。
默認(rèn)情況下，Minkowski引擎 ME.MemoryManagerBackend.PYTORCH用于內(nèi)存管理。
例：

import MinkowskiEngine as ME

Set the GPU memory manager backend to raw CUDA calls

ME.set_memory_manager_backend(ME.MemoryManagerBackend.CUDA)

Set the GPU memory manager backend to the pytorch memory pool

ME.set_memory_manager_backend(ME.MemoryManagerBackend.PYTORCH)

總結(jié)

以上是生活随笔為你收集整理的Minkowski坐标管理的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。