1 torch.linspace函数详解

torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
函数的作用是，返回一个一维的tensor（张量），这个张量包含了从start到end，分成steps个线段得到的向量。常用的几个变量
start：开始值
end：结束值
steps：分割的点数，默认是100
dtype：返回值（张量）的数据类型

举例：

in_W = 352
feat_W16 = 22
x_stride = torch.linspace(0, in_W - 1, feat_W16, dtype=torch.float)

x_stride = torch.linspace(0, in_W - 1, feat_W16, dtype=torch.float).view(1, 1, feat_W16)

x_stride = torch.linspace(0, in_W - 1, feat_W16, dtype=torch.float).view(1, 1, feat_W16).expand(D, feat_H16, feat_W16)

[41,8,22] DHW

2 torch.arange函数详解

• 函数原型

 arange(start=0, end, step=1, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) -> Tensor

• 代码示例

>>> torch.arange(5)  # 默认以 0 为起点
tensor([ 0,  1,  2,  3,  4])
>>> torch.arange(1, 4)  # 默认间隔为 1
tensor([ 1,  2,  3])
>>> torch.arange(1, 2.5, 0.5)  # 指定间隔 0.5
tensor([ 1.0000,  1.5000,  2.0000])

• 实际使用

distance = torch.arange(*self.grid_conf['dbound'], dtype=torch.float).view(-1, 1, 1).expand(-1, feat_H16, feat_W16)

3 torch.stack函数详解

• 函数原型
  
• 代码示例1
• 代码

 x = t.tensor([1,2,3,4])
 y = t.tensor([5,6,7,8])
 
 print(x.shape)
 print(y.shape)
 
 z1 = t.stack((x,y), dim=0)
 print(z1)
 print(z1.shape)
 
 z2 = t.stack((x,y), dim=1)
 print(z2)
 print(z2.shape)

• 运行结果

torch.Size([4])
torch.Size([4])

tensor([[1, 2, 3, 4],
        [5, 6, 7, 8]])
torch.Size([2, 4])

tensor([[1, 5],
        [2, 6],
        [3, 7],
        [4, 8]])
torch.Size([4, 2])

• 图解
  
• 代码示例2
• 代码

 x = t.tensor([[1,2,3],[4,5,6]])
 y = t.tensor([[7,8,9],[10,11,12]])
 print(x.shape)
 print(y.shape)

 z1 = t.stack((x,y), dim=0)
 print(z1)
 print(z1.shape)

 z2 = t.stack((x,y), dim=1)
 print(z2)
 print(z2.shape)

 z3 = t.stack((x,y), dim=2)
 print(z3)
 print(z3.shape)

• 运行结果

torch.Size([2, 3])
torch.Size([2, 3])

tensor([[[ 1,  2,  3],
         [ 4,  5,  6]],

        [[ 7,  8,  9],
         [10, 11, 12]]])
torch.Size([2, 2, 3])

tensor([[[ 1,  2,  3],
         [ 7,  8,  9]],

        [[ 4,  5,  6],
         [10, 11, 12]]])
torch.Size([2, 2, 3])

tensor([[[ 1,  7],
         [ 2,  8],
         [ 3,  9]],

        [[ 4, 10],
         [ 5, 11],
         [ 6, 12]]])
torch.Size([2, 3, 2])

• 图解
  

• 实际使用

        # 创建视锥
        # [41,8,22,3]
        frustum = torch.stack((x_stride, y_stride, distance), -1)
        # 不计算梯度，不需要学习
        return nn.Parameter(frustum, requires_grad=False)