torch.histc 用法解读

torch.histc(input, bins, min, max)

定义

计算一个张量的直方图。

张量中的元素被分到min和max之间的等宽bins区间中,如果min和max都为0,则使用张量中所有元素的最小值和最大值。

小于min和大于max的元素将被忽略。

参数

  • input (Tensor) – the input tensor
  • bins (int) – number of histogram bins
  • min (Scalar) – lower end of the range (inclusive)
  • max (Scalar) – upper end of the range (inclusive)

返回

  • 用张量表示的直方图

用例

import torch

data = torch.tensor([1., 1, 2, 2, 2, 5, 8])
area_intersect = torch.histc(data, bins=5, min=0, max=9)
print(area_intersect)
# tensor([2., 3., 1., 0., 1.])

注意,输入不能是int类型,因此第一个元素初始化为float了

这里的含义是把[0, 9]区间均分为5个子区间,统计输入中的元素落在每个子区间里的个数。这里2个1落在[0, 1],3个2落在[2, 3],5落在[4, 5],[6, 7]中没有元素,8落在[8, 9]中,因此结果就是[2, 3, 1, 0, 1]

实际应用场景

在语义分割模型中,模型的输出pred是一个单通道的特征图,gt标签label也是一个单通道的特征图,其中每个位置的像素值是该位置所属的类别。下面的代码计算的是每个类别预测对的像素个数。

intersect = pred[pred == label]
area_intersect = torch.histc(
        intersect.float(), bins=(num_classes), min=0, max=num_classes - 1)

参考

torch.histc — PyTorch 1.12 documentation

你可能感兴趣的:(Pytorch,Pytorch,深度学习)