MinkowskiPooling池化（上）
如果内核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），则引擎将更快地生成与池化函数相对应的输入输出映射。
如果使用U网络架构，请使用相同功能的转置版本进行上采样。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。
stride (int, or list, optional)：卷积层的步幅大小。如果使用非同一性，则输出坐标至少为stride ×× tensor_stride 远。给出列表时，长度必须为D；每个元素将用于特定轴的步幅大小。
dilation (int, or list, optional)：卷积内核的扩展大小。给出列表时，长度必须为D，并且每个元素都是轴特定的膨胀。所有元素必须> 0。
kernel_generator (MinkowskiEngine.KernelGenerator, optional)：定义自定义内核形状。
dimension（int）：定义所有输入和网络的空间的空间尺寸。例如，图像在2D空间中，网格和3D形状在3D空间中。
当kernel_size ==跨度时，不支持自定义内核形状。
cpu() → T
将所有模型参数和缓冲区移至CPU。
Returns:
Module: self
cuda(device: Optional[Union[int, torch.device]] = None) → T
将所有模型参数和缓冲区移至GPU。
这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。
Arguments:
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
将所有浮点参数和缓冲区强制转换为double数据类型。
返回值：
模块：self
float（） →T
将所有浮点参数和缓冲区强制转换为float数据类型。
返回值：
模块：self
forward(input: SparseTensor.SparseTensor, coords: Union[torch.IntTensor, MinkowskiCoords.CoordsKey, SparseTensor.SparseTensor] = None)¶
input (MinkowskiEngine.SparseTensor)：输入稀疏张量以对其进行卷积。
coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional)：如果提供，则在提供的坐标上生成结果。默认情况下没有。
Moves and/or casts the parameters and buffers.
This can be called as
to(device=None, dtype=None, non_blocking=False)
to(tensor, non_blocking=False)
to(memory_format=torch.channels_last)
其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区 ，dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。
此方法local修改模块。
Args:
device (torch.device): the desired device of the parameters
and buffers in this module
dtype (torch.dtype): the desired floating point type of
the floating point parameters and buffers in this module
tensor (torch.Tensor): Tensor whose dtype and device are the desired
dtype and device for all parameters and buffers in this module
memory_format (torch.memory_format): the desired memory
format for 4D parameters and buffers in this module (keyword only argument)
Returns:
Module: self
Example:
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]], dtype=torch.float64)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16)
Casts all parameters and buffers to dst_type.
Arguments:
dst_type (type or string): the desired type
Returns:
Module: self
MinkowskiAvgPooling
平均层首先计算输入要素的基数，每个输出的输入要素数，然后将输入要素的总和除以基数。对于密集的张量，基数是一个常数，即内核的体积。但是，对于张量稀疏，基数取决于每个输出的输入特征的数量而变化。因此，稀疏张量的平均池化不等于传统的密集张量的平均池化层。请参考MinkowskiSumPooling等效层。
如果内核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），则引擎将更快地生成与池化函数相对应的输入输出映射。
如果使用U网络架构，请使用相同功能的转置版本进行上采样。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。
__init__(kernel_size=- 1, stride=1, dilation=1, kernel_generator=None, dimension=None)
高维稀疏平均池化层。
kernel_size (int, optional): the size of the kernel in the output tensor. If not provided, region_offset should be RegionType.CUSTOM and region_offset should be a 2D matrix with size N×DN×D such that it lists all NN offsets in D-dimension.
stride (int, or list, optional): stride size of the convolution layer. If non-identity is used, the output coordinates will be at least stride ×× tensor_stride away. When a list is given, the length must be D; each element will be used for stride size for the specific axis.
dilation (int, or list, optional): dilation size for the convolution kernel. When a list is given, the length must be D and each element is an axis specific dilation. All elements must be > 0.
kernel_generator (MinkowskiEngine.KernelGenerator, optional): define custom kernel shape.
dimension (int): the spatial dimension of the space where all the inputs and the network are defined. For example, images are in a 2D space, meshes and 3D shapes are in a 3D space.
当kernel_size ==跨度时，不支持自定义内核形状。
cpu（） →T
将所有模型参数和缓冲区移至CPU。
返回值：
模块：self
cuda(device: Optional[Union[int, torch.device]] = None) → T
所有模型参数和缓冲区移至GPU。
这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。
Arguments:
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
将所有浮点参数和缓冲区强制转换为double数据类型。
返回值：
模块：self
float（） →T
将所有浮点参数和缓冲区强制转换为float数据类型。
返回值：
模块：self
forward(input: SparseTensor.SparseTensor, coords: Union[torch.IntTensor, MinkowskiCoords.CoordsKey, SparseTensor.SparseTensor] = None)¶
input (MinkowskiEngine.SparseTensor): Input sparse tensor to apply a convolution on.
coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional): If provided, generate results on the provided coordinates. None by default.
Moves and/or casts the parameters and buffers.
This can be called as
to(device=None, dtype=None, non_blocking=False)
to(tensor, non_blocking=False)
to(memory_format=torch.channels_last)
其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区 ，dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。
This method modifies the module in-place.
Args:
device (torch.device): the desired device of the parameters
and buffers in this module
dtype (torch.dtype): the desired floating point type of
the floating point parameters and buffers in this module
tensor (torch.Tensor): Tensor whose dtype and device are the desired
dtype and device for all parameters and buffers in this module
memory_format (torch.memory_format): the desired memory
format for 4D parameters and buffers in this module (keyword only argument)
Returns:
Module: self
Example:
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]], dtype=torch.float64)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16)
Casts all parameters and buffers to dst_type.
Arguments:
dst_type (type or string): the desired type
Returns:
Module: self
class MinkowskiEngine.MinkowskiSumPooling(kernel_size, stride=1, dilation=1, kernel_generator=None, dimension=None)¶
Sum all input features within a kernel.
平均层首先计算输入要素的基数，每个输出的输入要素数，然后将输入要素的总和除以基数。对于密集的张量，基数是一个常数，即内核的体积。但是，对于张量稀疏，基数根据每个输出的输入特征数而变化。因此，用基数对输入特征求平均可能不等于密集张量的常规平均池。该层提供了一种不将总和除以基数的方法。
如果内核大小等于跨步大小（例如kernel_size = [2，1]，跨步= [2，1]），则引擎将更快地生成与池化函数相对应的输入输出映射。
如果使用U网络架构，请使用相同功能的转置版本进行上采样。例如pool = MinkowskiSumPooling（kernel_size = 2，stride = 2，D = D），然后使用 unpool = MinkowskiPoolingTranspose（kernel_size = 2，stride = 2，D = D）。
a high-dimensional sum pooling layer
Args:
kernel_size (int, optional): the size of the kernel in the output tensor. If not provided, region_offset should be RegionType.CUSTOM and region_offset should be a 2D matrix with size N×DN×D such that it lists all NN offsets in D-dimension.
stride (int, or list, optional): stride size of the convolution layer. If non-identity is used, the output coordinates will be at least stride ×× tensor_stride away. When a list is given, the length must be D; each element will be used for stride size for the specific axis.
dilation (int, or list, optional): dilation size for the convolution kernel. When a list is given, the length must be D and each element is an axis specific dilation. All elements must be > 0.
kernel_generator (MinkowskiEngine.KernelGenerator, optional): define custom kernel shape.
dimension (int): the spatial dimension of the space where all the inputs and the network are defined. For example, images are in a 2D space, meshes and 3D shapes are in a 3D space.
当kernel_size ==跨度时，不支持自定义内核形状。
cpu（） →T
将所有模型参数和缓冲区移至CPU。
返回值：
模块：self
cuda(device:Optional[Union[int, torch.device]]=None) → T
将所有模型参数和缓冲区移至GPU。
这也使关联的参数并缓冲不同的对象。因此，在构建优化程序之前，如果模块在优化过程中可以在GPU上运行，则应调用它。
参数：
device (int, optional): if specified, all parameters will be
copied to that device
Returns:
Module: self
double() → T
将所有浮点参数和缓冲区强制转换为double数据类型。
返回值：
模块：self
float（） →T
将所有浮点参数和缓冲区强制转换为float数据类型。
返回值：
模块：self
forward(input: SparseTensor.SparseTensor, coords: Union[torch.IntTensor, MinkowskiCoords.CoordsKey, SparseTensor.SparseTensor] = None)¶
input (MinkowskiEngine.SparseTensor): Input sparse tensor to apply a convolution on.
coords ((torch.IntTensor, MinkowskiEngine.CoordsKey, MinkowskiEngine.SparseTensor), optional): If provided, generate results on the provided coordinates. None by default.
Moves and/or casts the parameters and buffers.
This can be called as
to(device=None, dtype=None, non_blocking=False)
to(tensor, non_blocking=False)
to(memory_format=torch.channels_last)
其签名类似于torch.Tensor.to()，但仅接受所需dtype的浮点s。另外，此方法将仅将浮点参数和缓冲区强制转换为dtype （如果给定的话）。device如果给定了整数参数和缓冲区 ，dtype不变。当 non_blocking被设置时，它试图转换/如果可能异步相对于移动到主机，例如，移动CPU张量与固定内存到CUDA设备。
请参见下面的示例。
Args:
device (torch.device): the desired device of the parameters
and buffers in this module
dtype (torch.dtype): the desired floating point type of
the floating point parameters and buffers in this module
tensor (torch.Tensor): Tensor whose dtype and device are the desired
dtype and device for all parameters and buffers in this module
memory_format (torch.memory_format): the desired memory
format for 4D parameters and buffers in this module (keyword only argument)
Returns:
Module: self
Example:
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
[-0.5113, -0.2325]], dtype=torch.float64)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
[-0.5112, -0.2324]], dtype=torch.float16)
Casts all parameters and buffers to dst_type.
Arguments:
dst_type (type or string): the desired type
Returns:
Module: self