MinkowskiEngine實用函數和類
sparse_quantize
MinkowskiEngine.utils.sparse_quantize(coords, feats=None, labels=None, ignore_label=- 100, return_index=False, return_inverse=False, quantization_size=None)
給定坐標和特征（optional的標簽），函數將生成量化（體素化）坐標。
Args：
coords（numpy.ndarray或torch.Tensor）： N×D矩陣大小 ，其中 N 是點數 ，D是維數空間。
feats（numpy.ndarray或torch.Tensor，optional）：大小矩陣N×DF ，其中 N 是點數， DF是特征的尺寸。必須與coords具有相同的容器（即，如果coords是torch.Tensor，則feats 也必須是torch.Tensor）。
labels（numpy.ndarray或torch.IntTensor，optional）：與eah坐標關聯的整數標簽。必須與coords具有相同的容器（即，如果coords是torch.Tensor，則 標簽也必須是torch.Tensor）。對于將一組點映射到一個標簽的分類，請勿輸入標簽。
ignore_label（int，optional）：IGNORE LABEL的int值。 torch.nn.CrossEntropyLoss(ignore_index=ignore_label)
return_index（bool，optional）：如果需要量化坐標的索引，則設置True。默認為False。
return_inverse（bool，optional）：如果希望索引可以恢復離散化的原始坐標，則將其設置為True。默認為False。當return_reverse為True時，return_index必須為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）：網格單元的超矩形各邊的長度。
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）
根據一系列坐標，創建一個ME.SparseTensor坐標
給定numpy或pytorch張量坐標的列表，返回適合ME.SparseTensor的批處理坐標。
Args：
coords（torch.Tensor或numpy.ndarray的序列）：坐標列表。
返回值：
coords（torch.IntTensor）：批處理的坐標。
警告
從v0.4開始，批次索引將在所有坐標之前。
sparse_collate
MinkowskiEngine.utils.sparse_collate（coords, feats, labels=None）
為稀疏張量文檔創建輸入參數。
將一組坐標和特征要素轉換為批處理坐標和批處理要素。
Args：
coords（一組torch.Tensor或numpy.ndarray）：一組坐標。
feats（一組torch.Tensor或numpy.ndarray）：一組功能。
labels（一組torch.Tensor或numpy.ndarray）：與輸入關聯的一組標簽。
batch_sparse_collate
MinkowskiEngine.utils.batch_sparse_collate（data）
可以與torch.utils.data.DataLoader結合使用的wrapper包裝器函數，為稀疏張量生成輸入。
請參閱訓練示例以了解用法。
Args：
data：（coordinates, features, labels）元組的列表。
稀疏整理
類MinkowskiEngine.utils.SparseCollation（limit_numpoints = -1）
為coords, feats, labels生成集成功能。
請參閱訓練示例以了解用法。
Args：
limit_numpoints（int）：如果為正整數，則限制批量大小，以使輸入坐標的數量低于limit_numpoints。如果為0或False，則連接所有點。默認為-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))有關準確的簽名。
get_coords_map
MinkowskiEngine.utils.get_coords_map（x，y）
獲取稀疏張量1和稀疏張量2之間的映射。
Args：
x（MinkowskiEngine.SparseTensor）：x.tensor_stride <= y.tensor_stride的稀疏張量 。
y（MinkowskiEngine.SparseTensor）：x.tensor_stride <= y.tensor_stride的稀疏張量 。
返回值：
x_indices（torch.LongTensor）：x的索引與返回的y索引相對應。
x_indices（torch.LongTensor）：y的索引，它對應于返回的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）
級聯稀疏張量
連接稀疏張量特征。所有稀疏張量必須具有相同的 coords_key（相同的坐標）。要連接具有不同稀疏性模式的稀疏張量，請使用SparseTensor二進制運算或 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

總結

以上是生活随笔為你收集整理的MinkowskiEngine实用函数和类的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。