Το Pytorch μετατρέπει τον τανυστή σε ένα ζεστό

Μπορείτε να χρησιμοποιήσετε το torch.nn.functional.one_hot.
Για την περίπτωσή σας:
a = torch.nn.functional.one_hot (tnsr, num_classes = τάξεις)
out = a.permute (0, 3, 1, 2)
|
Θα μπορούσατε επίσης να χρησιμοποιήσετε το Tensor.scatter_ που αποφεύγει το .permute αλλά είναι αναμφισβήτητα πιο δύσκολο να γίνει κατανοητό από την απλή μέθοδο που προτείνει το @Alpha.
def batch_tensor_to_onehot (tnsr, τάξεις):
αποτέλεσμα = torch.zeros (tnsr.shape [0], class, * tnsr.shape [1:], dtype = torch.long, device = tnsr.device)
result.scatter_ (1, tnsr.unsqueeze (1), 1)
αποτέλεσμα επιστροφής
Αποτελέσματα συγκριτικής αξιολόγησης
Ήμουν περίεργος και αποφάσισα να συγκρίνω τις τρεις προσεγγίσεις. Διαπίστωσα ότι δεν φαίνεται να υπάρχει σημαντική σχετική διαφορά μεταξύ των προτεινόμενων μεθόδων σε σχέση με το μέγεθος παρτίδας, το πλάτος ή το ύψος. Κατά κύριο λόγο ο αριθμός των τάξεων ήταν ο διακριτικός παράγοντας. Φυσικά, όπως και με οποιοδήποτε χιλιόμετρο αναφοράς μπορεί να διαφέρει.
Τα σημεία αναφοράς συλλέχθηκαν χρησιμοποιώντας τυχαίους δείκτες και χρησιμοποιώντας μέγεθος παρτίδας, ύψος, πλάτος = 100. Κάθε πείραμα επαναλήφθηκε 20 φορές με τον μέσο όρο να αναφέρεται. Το πείραμα num_classes = 100 εκτελείται μία φορά πριν το προφίλ για προθέρμανση.
Τα αποτελέσματα της CPU δείχνουν ότι η αρχική μέθοδος ήταν πιθανώς καλύτερη για κλάσεις num_class λιγότερο από περίπου 30, ενώ για την GPU η προσέγγιση scatter_ φαίνεται να είναι ταχύτερη.
Δοκιμές που πραγματοποιήθηκαν στο Ubuntu 18.04, NVIDIA 2060 Super, i7-9700K
Ο κωδικός που χρησιμοποιείται για τη συγκριτική αξιολόγηση παρέχεται παρακάτω:
εισαγάγετε φακό
από tqdm εισαγωγή tqdm
χρόνος εισαγωγής
εισαγωγή matplotlib.pyplot ως plt
def batch_tensor_to_onehot_slavka (tnsr, τάξεις):
tnsr = tnsr.unsqueeze (1)
res = []
για cls στο εύρος (τάξεις):
res.append ((tnsr == cls). long ())
επιστροφή obor.cat (res, dim = 1)
def batch_tensor_to_onehot_alpha (tnsr, τάξεις):
αποτέλεσμα = torch.nn.functional.one_hot (tnsr, num_classes = class)
αποτέλεσμα επιστροφής. ώρα (0, 3, 1, 2)
def batch_tensor_to_onehot_jodag (tnsr, τάξεις):
αποτέλεσμα = torch.zeros (tnsr.shape [0], class, * tnsr.shape [1:], dtype = torch.long, device = tnsr.device)
result.scatter_ (1, tnsr.unsqueeze (1), 1)
αποτέλεσμα επιστροφής
def main ():
num_classes = [2, 10, 25, 50, 100]
ύψος = 100
πλάτος = 100
bs = [100] * 20
για d σε ['cpu', 'cuda']:
φορές_slavka = []
times_alpha = []
times_jodag = []
προθέρμανση = Αλήθεια
για c in tqdm ([num_classes [-1]] + num_classes, ncols = 0):
tslavka = 0
talpha = 0
tjodag = 0
για b σε bs:
tnsr = torch.randint (c, (b, ύψος, πλάτος)). to (συσκευή = d)
t0 = time.time ()
y = batch_tensor_to_onehot_slavka (tnsr, γ)
torch.cuda.synchronize ()
tslavka + = time.time () - t0
αν όχι προθέρμανση:
times_slavka.append (tslavka / len (bs))
για b σε bs:
tnsr = torch.randint (c, (b, ύψος, πλάτος)). to (συσκευή = d)
t0 = time.time ()
y = batch_tensor_to_onehot_alpha (tnsr, γ)
torch.cuda.synchronize ()
talpha + = time.time () - t0
αν όχι προθέρμανση:
times_alpha.append (talpha / len (bs))
για b σε bs:
tnsr = torch.randint (c, (b, ύψος, πλάτος)). to (συσκευή = d)
t0 = time.time ()
y = batch_tensor_to_onehot_jodag (tnsr, γ)
torch.cuda.synchronize ()
tjodag + = time.time () - t0
αν όχι προθέρμανση:
times_jodag.append (tjodag / len (bs))
προθέρμανση = Λάθος
fig = plt.figure ()
ax = εικ. υποπλατίδια ()
ax.plot (num_classes, times_slavka, label = "Slavka-γάτα")
ax.plot (num_classes, times_alpha, label = 'Alpha-one_hot')
ax.plot (num_classes, times_jodag, label = 'jodag-scatter_'))
ax.set_xlabel ('num_classes')
ax.set_ylabel ("χρόνος (ες)")
ax.set_title (f '{d} σημείο αναφοράς')
ax.legend ()
plt.savefig (f '{d} .png')
plt.show ()
αν __name__ == "__main__":
κύριος()
|
Η απάντησή σου
StackExchange.ifUsing ("πρόγραμμα επεξεργασίας", συνάρτηση () {
StackExchange.using ("externalEditor", συνάρτηση () {
StackExchange.using ("snippets", function () {
StackExchange.snippets.init ();
});
});
}, "κώδικα-αποσπάσματα");
StackExchange.ready (λειτουργία () {
var channelOptions = {
ετικέτες: "" .split (""),
αναγνωριστικό: "1"
};
initTagRenderer ("". split (""), "" .split (""), channelOptions);
StackExchange.using ("externalEditor", συνάρτηση () {
// Πρέπει να ενεργοποιήσετε το πρόγραμμα επεξεργασίας μετά από αποσπάσματα, εάν είναι ενεργοποιημένα τα αποσπάσματα
εάν (StackExchange.settings.snippets.snippetsEnabled) {
StackExchange.using ("snippets", function () {
createEditor ();
});
}
αλλιώς {
createEditor ();
}
});
συνάρτηση createEditor () {
StackExchange.prepareEditor ({
useStacksEditor: false,
Τύπος καρδιακού παλμού: «απάντηση»,
autoActivateHeartbeat: false,
convertImagesToLinks: αλήθεια,
noModals: αλήθεια,
showLowRepImageUploadWarning: αλήθεια,
φήμηToPostImages: 10,
bindNavPrevention: αλήθεια,
μετά την επιδιόρθωση: "",
imageUploader: {
brandingHtml: "Powered by \ u003ca href = \" https: //imgur.com/ \ "\ u003e \ u003csvg class = \" svg-icon \ "width = \" 50 \ "ύψος = \" 18 \ "viewBox = \ "0 0 50 18 \" fill = \ "none \" xmlns = \ "http: //www.w3.org/2000/svg \" \ u003e \ u003cpath d = \ "M46.1709 9.17788C46.1709 8.26454 46,2665 7,94324 47,1084 7.58816C47.4091 7,46349 47,7169 7,36433 48,0099 7.26993C48.9099 6,97997 49,672 6,73443 49,672 5.93063C49.672 5,22043 48,9832 4,61182 48,1414 4.61182C47.4335 4,61182 46,7256 4,91628 46,0943 5.50789C45.7307 4,9328 45,2525 4,66231 44,6595 4.66231C43.6264 4,66231 43,1481 5,28821 43.1481 6.59048V11.9512C43.1481 13.2535 43.6264 13.8962 44.6595 13.8962C45.6924 13.8962 46.1709 13.253546.1709 11.9512V9.17788Z \ "/ \ u003e \ u003cpath d = \" M32.492 10.1419C32.492 12.6954 34.1182 14.0484 37.0451 14.0484C39.9723 14.0484 41.5985 12.6954 41.5985 10.1419V6.5904326326324326324326324326324326324.461.6324 38.5948 5.28821 38.5948 6.59049V9.60062C38.5948 10.8521 38.2696 11.5455 37.0451 11.5455C35.8209 11.5455 35.4954 10.8521 35.4954 9.60062V6.59049C35.4954 5.28821 35.0173 4.66232 34.0034 4.632 326.692 326.692 326.692 fill-rule = \ "evenodd \" κλιπ-κανόνας = \ "evenodd \" d = \ "M25.6622 17.6335C27.8049 17.6335 29.3739 16.9402 30.2537 15.6379C30.8468 14.7755 30.9615 13.5579 30.9615 11.9512V6.59049C30.9615 5.28821 29.4502 4.66231C28.9913 4,66231 28,4555 4,94978 28,1109 5.50789C27.499 4,86533 26,7335 4,56087 25,7005 4.56087C23.1369 4,56087 21,0134 6,57349 21,0134 9.27932C21.0134 11,9852 23,003 13,913 25,3754 13.913C26.5612 13,913 27,4607 13,4902 28,1109 12.6616C28.1109 12,7229 28,1161 12,7799 28,121 12,8346 Γ28. 1256 12.8854 28.1301 12.9342 28.1301 12.983C28.1301 14,4373 27,2502 15,2321 25,777 15.2321C24.8349 15,2321 24,1352 14,9821 23,5661 14.7787C23.176 14,6393 22,8472 14,5218 22,5437 14.5218C21.7977 14,5218 21,2429 15,0123 21,2429 15.6887C21.2429 16,7375 22,9072 17,6335 25,6622 9,27932 17.6335ZM24.1317 C24.1317 7.94324 24.9928 7.09766 26.1024 7.09766C27.2119 7.09766 28.0918 7.94324 28.0918 9.27932C28.0918 10.6321 27.2311 11.5116 26.1024 11.5116C24.9737 11.5116 24.1317 10.6491 24.1317 9.27932 8045 13.2535 17.2637 13.8962 18.2965 13.8962C19.3298 13,8962 19,8079 13,2535 19,8079 11.9512V8.12928C19.8079 5,82936 18,4879 4,62866 16,4027 4.62866C15.1594 4,62866 14,279 4,98375 13,3609 5.88013C12.653 5,05154 11,6581 4,62866 10,3573 4.62866C9.34336 4,62866 8,57809 4,89931 7,9466 5.5079C7. 58314 4.9328 7.10506 4.66232 6.51203 4.66232C5.47873 4.66232 5.00066 5.28821 5.00066 6.59049V11.9512C5.00066 13.2535 5.47873 13.8962 6.51203 13.8962C7.54479 13.8962 8.0232 13 .2535 8.0232 11.9512V8.90741C8.0232 7.58817 8.44431 6.91179 9.53458 6.91179C10.5104 6.91179 10.893 7.58817 10.893 8.94108V11.9512C10.893 13.2535 11.3711 13.8962 12.4044 13.8962C1343591393591391313535913913135359139359139353 C16.4027 6.91179 16.8045 7.58817 16.8045 8.94108V11.9512Z \ "/ \ u003e \ u003cpath d = \" M3.31675 6.59049C3.31675 5.28821 2.83866 4.66232 1.82471 4.66232C0.791758 4.66232 0.313354 5.28821 0.35358354354 1.82471 13.8962C2.85798 13.8962 3.31675 13.2535 3.31675 11.9512V6.59049Z \ "/ \ u003e \ u003cpath d = \" M1.87209 0.400291C0.843612 0.400291 0 1.1159 0 1.98861C0 2.87869 0.8228 1.876676.687.677.6687 C3.7234 1.1159 2.90056 0.400291 1.87209 0.400291Z \ "fill = \" # 1BB76E \ "/ \ u003e \ u003c / svg \ u003e \ u003c / a \ u003e",
contentPolicyHtml: "Συνεισφορές χρηστών με άδεια βάσει \ u003ca href = \" https: //stackoverflow.com/help/licensing \ "\ u003ecc by-sa \ u003c / a \ u003e \ u003ca href = \" https://stackoverflow.com / legal / content-policy \ "\ u003e (πολιτική περιεχομένου) \ u003c / a \ u003e",
allowUrls: αλήθεια
},
onDemand: αλήθεια,
discardSelector: ".discard-answer"
, αμέσωςShowMarkdownHelp: true, enableTables: true, enableSnippets: true
});
}
});
Ευχαριστούμε για τη συμβολή σας στο Stack Overflow!
Μην ξεχάσετε να απαντήσετε στην ερώτηση. Δώστε λεπτομέρειες και μοιραστείτε την έρευνά σας!
Αλλά αποφύγετε…
Ζητώντας βοήθεια, διευκρίνιση ή απάντηση σε άλλες απαντήσεις.
Διατύπωση δηλώσεων βάσει γνώμης · δημιουργήστε αντίγραφα ασφαλείας με αναφορές ή προσωπική εμπειρία.
Για να μάθετε περισσότερα, δείτε τις συμβουλές μας για τη σύνταξη εξαιρετικών απαντήσεων.
Το πρόχειρο αποθηκεύτηκε
Το πρόχειρο απορρίφθηκε
Εγγραφείτε ή συνδεθείτε
StackExchange.ready (λειτουργία () {
StackExchange.helpers.onClickDraftSave ('# login-link');
});
Εγγραφείτε χρησιμοποιώντας το Google
Εγγραφείτε μέσω Facebook
Εγγραφείτε χρησιμοποιώντας το email και τον κωδικό πρόσβασης
υποβάλλουν
Δημοσίευση ως επισκέπτης
Ονομα
ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
Απαιτείται, αλλά δεν εμφανίζεται ποτέ
StackExchange. ήδη (
λειτουργία () {
StackExchange.openid.initPostLogin (". New-post-login", "https% 3a% 2f% 2fstackoverflow.com% 2fquestions% 2f62245173% 2fpytorch-transform-tensor-to-one-hot% 23new-answer", "question_page" );
}
);
Δημοσίευση ως επισκέπτης
Ονομα
ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
Απαιτείται, αλλά δεν εμφανίζεται ποτέ
Δημοσιεύστε την απάντησή σας
Απορρίπτω
Κάνοντας κλικ στην επιλογή "Δημοσίευση της απάντησής σας", αποδέχεστε τους όρους παροχής υπηρεσιών, την πολιτική απορρήτου και την πολιτική cookie
Δεν είναι η απάντηση που ψάχνετε; Περιηγηθείτε σε άλλες ερωτήσεις με ετικέτα python pytorch tensor one-hot-encoding ή κάντε τη δική σας ερώτηση.