百度360必应搜狗淘宝本站头条
vue dispatchspring gatewayorder by ascidea eval resetupdate canceled
当前位置：网站首页 > 技术分类 > 正文

mindspore 版 AdaptiveAvgPool2d 替代方案参考

ztj100 2024-11-14 19:23 46 浏览 0 评论

前言

最近用 mindspore 复现 Fast SCNN 网络的时候，里面用到了一个自适应平均池化算子 “nn.AdaptiveAvgPool2d”，但是 mindspore 目前的版本还没有提供对应的算子供开发者使用，所以笔者查阅了一部分资料，了解了其计算原理。实验结果表明，下述方法可以替代 AdaptiveAvgPool2d 算子，可以此为基础迁移至其他 AI 框架(比如mindspore、tensorflow)中。

一、AdaptiveAvgPool2d

AdaptiveAvgPool2d 的功能简单来讲就是，开发者只需要传入“待处理数据” 和 “目标大小”，该算子会自动计算池化操作时的kernel_size和stride等数据，使得输出结果的shape为“目标大小”。

但其实上述理解是不完全正确的，甚至是错误的。基于此理解可以稍微理解其功能，但是如果想对其进行复现，则会完全陷入误区。

目前普遍存在的一种复现方式是，既然我们知道普通池化操作的计算过程是：

已知池化层的kernel_size、padding、stride 以及输入张量的大小input_size，则输出张量大小 output_size 为：

    output_size =（input_size+2*padding-kernel_size）/stride +1

（此处简化了计算，如果输入张量的 column 值和 row 值不等，则分别计算）

那么我们就想办法通过 input_size 和 output_size 反推出 kernel_size、stride 等数值就好了，反向回去计算一定可以得到我们需要的数据。

但其实这种方法仅合其形，不对其意。我们只能使得输出张量是我们需要的“目标大小”，其内部数值却和 “nn.AdaptiveAvgPool2d” 的计算结果有不小差异，究其原因，在于出发点的错误。

二、AdaptiveAvgPool2d 计算原理

笔者翻阅了不少资料，最终在https://discuss.pytorch.org/t/what-is-adaptiveavgpool2d/26897 找到了我需要的内容。其中 Thomas 对AdaptiveAvgPool2d 做了相当准确的解释，我将其分享的代码改进为了 NCHW 的模式：

import torch.nn as nn
import torch

def torch_pool(inputs, target_size):
    #NCHW
    H = target_size[0]
    W = target_size[1]
    s_p1 = (torch.arange(W, dtype=torch.float32) * (inputs.size(-1) / W)).long()
    e_p1 = ((torch.arange(W, dtype=torch.float32)+1) * (inputs.size(-1) / W)).ceil().long()

    s_p2 = (torch.arange(H, dtype=torch.float32) * (inputs.size(-2) / H)).long()
    e_p2 = ((torch.arange(H, dtype=torch.float32)+1) * (inputs.size(-2) / H)).ceil().long()

    pooled2 = []
    for i_H in range(H):
      pooled = []
      for i_W in range(W):
          res = torch.mean(inputs[:, :, s_p2[i_H]:e_p2[i_H],s_p1[i_W]:e_p1[i_W]], dim=(-2,-1), keepdim=True)
          pooled.append(res)
      pooled = torch.cat(pooled, -1)
      pooled2.append(pooled)
    pooled2 = torch.cat(pooled2,-2)
    return pooled2

if __name__ == '__main__':

    data = [[[[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]]
              ,
            [[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]]
              ]]

    inputs = torch.tensor(data,dtype=torch.float32)
    print(inputs)
    print(inputs.size())
    print("*********************************")

    avgpool1 = torch_pool(inputs, (1,3))
    avgpool2 = torch_pool(inputs, (2,3))
    avgpool3 = torch_pool(inputs, (3,3))
    avgpool6 = torch_pool(inputs, (6,5))

    print(avgpool1)
    print("*********************************")
    print(avgpool2)
    print("*********************************")
    print(avgpool3)
    print("*********************************")
    print(avgpool6)

计算结果：

tensor([[[[2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.]],

         [[2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.]]]])
torch.Size([1, 2, 6, 8])
*********************************
tensor([[[[3., 6., 8.]],

         [[3., 6., 8.]]]])
*********************************
tensor([[[[3., 6., 8.],
          [3., 6., 8.]],

         [[3., 6., 8.],
          [3., 6., 8.]]]])
*********************************
tensor([[[[3., 6., 8.],
          [3., 6., 8.],
          [3., 6., 8.]],

         [[3., 6., 8.],
          [3., 6., 8.],
          [3., 6., 8.]]]])
*********************************
tensor([[[[2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000]],

         [[2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000]]]])

与 pytorch 的 nn.AdaptiveAvgPool2d 算子进行对比验证：

import torch.nn as nn
import torch

if __name__ == '__main__':

    data = [[[[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]]
              ,
            [[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]
              ,[2,3,4,5,6,9,7,8]]
              ]]

    x = torch.tensor(data,dtype=torch.float32)
    print(x)
    print(x.size())
    print("*********************************")

    avgpool1 = nn.AdaptiveAvgPool2d((1,3))
    avgpool2 = nn.AdaptiveAvgPool2d((2,3))
    avgpool3 = nn.AdaptiveAvgPool2d((3,3))
    avgpool6 = nn.AdaptiveAvgPool2d((6,5))
    print(avgpool1(x))
    print("*********************************")
    print(avgpool2(x))
    print("*********************************")
    print(avgpool3(x))
    print("*********************************")
    print(avgpool6(x))

计算结果：

tensor([[[[2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.]],

         [[2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.],
          [2., 3., 4., 5., 6., 9., 7., 8.]]]])
torch.Size([1, 2, 6, 8])
*********************************
tensor([[[[3., 6., 8.]],

         [[3., 6., 8.]]]])
*********************************
tensor([[[[3., 6., 8.],
          [3., 6., 8.]],

         [[3., 6., 8.],
          [3., 6., 8.]]]])
*********************************
tensor([[[[3., 6., 8.],
          [3., 6., 8.],
          [3., 6., 8.]],

         [[3., 6., 8.],
          [3., 6., 8.],
          [3., 6., 8.]]]])
*********************************
tensor([[[[2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000]],

         [[2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000],
          [2.5000, 4.0000, 5.5000, 7.3333, 7.5000]]]])

可以发现，无论是输出 shape 还是 Tensor 内部数值，二者都是一样的。

而且无论改变 NCHW 的哪一部分内容，扩充 N、C、H、W 的任意一维，最后的计算结果都是保持一致的。

三、AdaptiveAvgPool2d 计算原理详解

待补充。

至此，探究明白了 “nn.AdaptiveAvgPool2d” 的内部计算原理。并可以此为基础迁移至其他 AI 框架中。

四、mindspore版 AdaptiveAvgPool2d

观察上述代码，如果要重写成mindspore版的代码，我们只需要替换掉‘torch.arange’、‘torch.mean’、‘torch.cat’这三个主要算子，以及添加一个取整操作，在mindspore中就是ops.ReduceMean(keep_dims=True)、P.Concat(axis=-1)等算子，只要做对应替换就可以了。
但我之前在重写 res = torch.mean(inputs[:, :, s_p2[i_H]:e_p2[i_H],s_p1[i_W]:e_p1[i_W]], dim=(-2,-1), keepdim=True)这一句时，发现mindspore对‘变量下标’做切片操作时会发生异常，不太清楚是不是我的用法有问题。不过我写了一个临时的版本，比如如果要将NCx32x64的数据池化成NCx6x6大小,我们可以提前计算出需要切片的下标，就可以得到这样一版可用的代码了：

def _AvgPool2d6x6(self,x):
        s_p1 = [ 0, 10, 21, 32, 42, 53]
        e_p1 = [11, 22, 32, 43, 54, 64]
        s_p2 = [ 0,  5, 10, 16, 21, 26]
        e_p2 = [ 6, 11, 16, 22, 27, 32]       
        pooled2 = []
        for i_H in range(6):
          pooled = []
          for i_W in range(6):
              res = self.reduceMean(x[:, :, s_p2[i_H]:e_p2[i_H],s_p1[i_W]:e_p1[i_W]], (-2,-1))
              pooled.append(res)
          pooled = self.concat1((pooled[0],pooled[1],pooled[2],pooled[3],pooled[4],pooled[5]))
          pooled2.append(pooled)
        pooled2 = self.concat2((pooled2[0],pooled2[1],pooled2[2],pooled2[3],pooled2[4],pooled2[5]))       
        return pooled2

原载于http://luxuff.cn ，作者还是我自己。
转载请注明出处。

相关推荐

sharding-jdbc实现`分库分表`与`读写分离`

一、前言本文将基于以下环境整合...

三分钟了解mysql中主键、外键、非空、唯一、默认约束是什么

在数据库中，数据表是数据库中最重要、最基本的操作对象，是数据存储的基本单位。数据表被定义为列的集合，数据在表中是按照行和列的格式来存储的。每一行代表一条唯一的记录，每一列代表记录中的一个域。...

MySQL8行级锁_mysql如何加行级锁

MySQL8行级锁版本：8.0.34基本概念...

mysql使用小技巧_mysql使用入门

1、MySQL中有许多很实用的函数，好好利用它们可以省去很多时间:group_concat()将取到的值用逗号连接，可以这么用:selectgroup_concat(distinctid)fr...

MySQL/MariaDB中如何支持全部的Unicode?

永远不要在MySQL中使用utf8，并且始终使用utf8mb4。utf8mb4介绍MySQL/MariaDB中，utf8字符集并不是对Unicode的真正实现，即不是真正的UTF-8编码，因...

聊聊 MySQL Server 可执行注释，你懂了吗?

前言MySQLServer当前支持如下3种注释风格：...

MySQL系列-源码编译安装(v5.7.34)

一、系统环境要求...

MySQL的锁就锁住我啦!与腾讯大佬的技术交谈，是我小看它了

对酒当歌，人生几何！朝朝暮暮，唯有己脱。苦苦寻觅找工作之间，殊不知今日之事乃我心之痛，难道是我不配拥有工作嘛。自面试后他所谓的等待都过去一段时日，可惜在下京东上的小金库都要见低啦。每每想到不由心中一...

MySQL字符问题_mysql中字符串的位置

中文写入乱码问题：我输入的中文编码是urf8的，建的库是urf8的，但是插入mysql总是乱码，一堆"???????????????????????"我用的是ibatis，终于找到原因了，我是这么解决...

深圳尚学堂:mysql基本sql语句大全(三)

数据开发-经典1.按姓氏笔画排序:Select*FromTableNameOrderByCustomerNameCollateChinese_PRC_Stroke_ci_as//从少...

MySQL进行行级锁的?一会next-key锁，一会间隙锁，一会记录锁?

大家好，是不是很多人都对MySQL加行级锁的规则搞的迷迷糊糊，一会是next-key锁，一会是间隙锁，一会又是记录锁。坦白说，确实还挺复杂的，但是好在我找点了点规律，也知道如何如何用命令分析加...

一文讲清怎么利用Python Django实现Excel数据表的导入导出功能

摘要：Python作为一门简单易学且功能强大的编程语言，广受程序员、数据分析师和AI工程师的青睐。本文系统讲解了如何使用Python的Django框架结合openpyxl库实现Excel...

用DataX实现两个MySQL实例间的数据同步

DataXDataX使用Java实现。如果可以实现数据库实例之间准实时的...

MySQL数据库知识_mysql数据库基础知识

MySQL是一种关系型数据库管理系统；那废话不多说，直接上自己以前学习整理文档：查看数据库命令:(1).查看存储过程状态:showprocedurestatus;(2).显示系统变量:show...

如何为MySQL中的JSON字段设置索引

背景MySQL在2015年中发布的5.7.8版本中首次引入了JSON数据类型。自此，它成了一种逃离严格列定义的方式，可以存储各种形状和大小的JSON文档，例如审计日志、配置信息、第三方数据包、用户自定...

取消回复欢迎 你 发表评论:

一周热门
最近发表
标签列表
赣ICP备2023011147号-29