torch.nn.modules.pixelshuffle 的源代码

导入 torch.nn.functional 作为 F
来自 火炬 导入 张量

来自 .模块 导入 模块


__all__ = [像素 shuffle, 像素 unshuffle]


类 PixelShuffle(模块):
    r根据上采样因子重新排列张量中的元素。

将形状为 :math:`(*, C \times r^2, H, W)` 的张量元素重新排列
为形状为 :math:`(*, C, H \times r, W \times r)` 的张量，其中 r 是上采样因子。

这对于实现高效的亚像素卷积非常有用
使用步长为 :math:`1/r`。

请参阅论文：
《基于高效亚像素卷积神经网络的实时单图像和视频超分辨率》_
由 Shi 等人（2016 年）提供更多细节。

    Args:
upscale_factor (int): 用于增加空间分辨率的因子

形状：
- 输入：:math:`(*, C_{in}, H_{in}, W_{in})`，其中 * 为零个或多个批处理维度
- 输出：:math:`(*, C_{out}, H_{out}, W_{out})`，其中

    .. math::
C_{out} = C_{in} ÷ upscale_factor^2

    .. math::
输出\_高 = 输入\_高 \times \_ upscale\_factor

    .. math::
输出\_宽 = 输入\_宽 \times \_ upscale\_factor

示例：

>>> 像素混洗 = nn.PixelShuffle(3)
        >>> input = torch.randn(1, 9, 4, 4)
>>> 输出 = 像素混洗(输入)
>>> 打印(output.size())
        torch.Size([1, 1, 12, 12])

使用高效子像素卷积神经网络进行实时单图像和视频超分辨率
        https://arxiv.org/abs/1609.05158
"源代码"

    常量 = [放大倍数]
    upscale_factor: 整型

    def 初始化(self, upscale_factor: int) -> 无:
        超级().初始化()
        self.放大倍数 = 放大倍数

    def 前向(self, 输入: 张量) -> 张量:
        返回 F.pixel_shuffle(输入, self.upscale_factor)

    def 额外表示(self) -> 字符串:
        返回 f"放大因子="{self.upscale_factor}"



类 像素解混淆(模块):
    r"""反转像素混淆操作。

通过重新排列元素来反转 :class:`~torch.nn.PixelShuffle` 操作。
在形状为 :math:`(*, C, H × r, W × r)` 的张量中，将其转换为形状为
math:`(*, C × r^2, H, W)` 的张量，其中 r 是下采样因子。

请参阅论文：
《基于高效子像素卷积神经网络的实时单图像和视频超分辨率》_
由 Shi 等人（2016 年）提供更多细节。

    Args:
downscale_factor（整数）：降低空间分辨率的因子

形状：
- 输入：:math:`(*, C_{in}, H_{in}, W_{in})`，其中*为零个或多个批次维度
- 输出：:math:`(*, C_{out}, H_{out}, W_{out})`，其中

    .. math::
C_{out} = C_{in} × \text{downscale\_factor}^2

    .. math::
H_{out} = H_{in} ÷ \text{downscale\_factor}

    .. math::
W_{out} = W_{in} ÷ \text{downscale\_factor}

示例：

        >>> pixel_unshuffle = nn.PixelUnshuffle(3)
        >>> input = torch.randn(1, 1, 12, 12)
        >>> output = pixel_unshuffle(input)
>>> 打印(output.size())
        torch.Size([1, 9, 4, 4])

.. _实时单图像和视频超分辨率使用高效亚像素卷积神经网络:
        https://arxiv.org/abs/1609.05158
"源代码"

    常量 = [downscale_factor]
    下采样因子: 整型

    def 初始化(self, 下采样因子: int) -> 无:
        超级().初始化()
        self.downscale_factor = 降采样因子

    def 前向(self, 输入: 张量) -> 张量:
        返回 F.像素重排(输入, self.下采样因子)

    def 额外表示(self) -> 字符串:
        返回 f"降采样因子="{self.下采样因子}"