行人重识别Relation-Aware Global Attention
的部分代码。
W_ys = self.W_spatial(ys) # W_ys的维度是[8, 1, 64, 32] 是空间位置特征权重
# print(W_ys.shape)
# x的维度是[8, 256, 64, 32]
if not self.use_channel:
out = F.sigmoid(W_ys.expand_as(x)) * x # 位置特征,不同特征图,位置相同的
return out
else: # 走的这一路
x = F.sigmoid(W_ys.expand_as(x)) * x
#print(x.shape) # 8 256 64 32
其中W_ys.expand_as(x)
是为了把W_ys
的维度[8, 1, 64, 32]扩展为和x
一样的维度[8, 256, 64, 32] 。
简单例子如下:
1、
import torch
x = torch.tensor([[1], [2], [3]])
print('xsize:',x.size())
print('x:',x)
输出为:
xsize: torch.Size([3, 1])
x: tensor([[1],
[2],
[3]])
2、
x_expand=x.expand(3,4)
print('x_expand:',x_expand)
输出为:
x_expand: tensor([[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3]])
3、
x_expand=x.expand(-1,4) # -1 means not changing the size of that dimension
print('x_expand:',x_expand)
输出为:
x_expand: tensor([[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3]])
4、
x_expand_as=x.expand_as(x_expand)
print('x_expand_as:',x_expand_as)
输出为:
x_expand_as: tensor([[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3]])