3D Conv на неперекрывающихся блоках трехмерного тензора с последующим переназначением их (pytorch) - PullRequest
Новая
       76

3D Conv на неперекрывающихся блоках трехмерного тензора с последующим переназначением их (pytorch)

1 голос
/ 20 сентября 2019

Привет У меня есть 3D-тензор размера (128,128,128) в качестве входных данных для моей модели.Когда он входит в модель, он имеет форму (8, 4, 128, 128, 128), которая (Пакет, Каналы, H, W, D).

Я бы хотел разделить каналы и выполнить свертку для блоков (32,32,32) для этого (128,128,128) входа.Затем я хочу взять весовые коэффициенты и умножить его на входные значения для конвора и переназначить их в блок (128,128,128).

Мое текущее неэффективное решение (использование множества for для циклов, преобразование между numpy <-> тензор и scikit-изображение) ниже, однако это занимает слишком много времени и требует слишком много памяти.Какой лучший способ сделать это на тензорах? 

from skimage.util.shape import view_as_blocks

class LFBlock(nn.Module):
    def __init__(self, input_shape=(128,128,128), kernel_size=(1,1,1), blk_div=4):
        super(LFBlock,self).__init__()      

        # Divides the (128,128,128)//4 -> (32,32,32)
        self.block_shape = (input_shape[0]//blk_div, input_shape[1]//blk_div, input_shape[2]//blk_div)

        self.num_blocks = (input_shape[0]//self.block_shape[0])*(input_shape[0]//self.block_shape[0])*\
        (input_shape[0]//self.block_shape[0])

        conv_list = []
        for n in range(self.num_blocks):
            conv_list.append(nn.Conv3d(1,1, kernel_size=kernel_size, stride=1, padding=0, bias=True))

        self.conv1x1s = nn.ModuleList(conv_list)        

    def forward(self, lf_in):
        # Batch
        for i in range(lf_in.shape[0]):
            # Modality
            for ch in range(lf_in.shape[1]):
                x_lf = lf_in[i,ch,:]
                lf_blocks = view_as_blocks(x_lf.cpu().numpy(), block_shape=self.block_shape)

                # Do Conv3d on each block 
                for x in range(len(lf_blocks)):
                    for y in range(len(lf_blocks)):
                        for z in range(len(lf_blocks)):

                            conv_idx = x*len(lf_blocks) + y*len(lf_blocks) + z

                            # Convolve the block, then multiply with the weight of the block. 
                            tensor_img = torch.from_numpy(lf_blocks[x,y,z])[None, None,:]
                            conv = self.conv1x1s[conv_idx](tensor_img.cuda())

                            # w * x. 
                            # view_as_blocks returns a view so modifications are done in-place

                            lf_blocks[x,y,z] = tensor_img.cpu()*self.conv1x1s[conv_idx].weight.data.cpu()

        # Linearly sum the modalities together
        # out = w0*x0 + w1*x1 + w2*x2 + w3*x3 
        out = (lf_in[:,0]+lf_in[:,1]+lf_in[:,2]+lf_in[:,3])[:,None]

        return out

Любая помощь приветствуется.Спасибо!

...