similarity_focus

paddle.fluid.layers.similarity_focus ( input, axis, indexes, name=None ) [源代码]

实现SimilarityFocus(相似度聚焦)运算

通过以下三个步骤，该层生成一个和输入 input 同形的 similarity focus mask（相似度聚焦掩码）：

  1. 根据 axis 和 indexes 提取一个三维张量，第一维为batch大小。 例如，如果 axis=1, indexes=[a] , 将得到矩阵 T=X[:, a, :, :] 。 该例中，如果输入X的形为 (BatchSize, A, B, C) ，则输出张量T的形为 (BatchSize, B, C) 。

  2. 对于每一个索引，在输出T中找到最大值。所以同一行、同一列最多只有一个数字，这意味着如果在第i行，第j列中找到最大值，那么在相应行、列中的其他数值都将被忽略。然后再在剩余的数值中找到下一个最大值。显然，将会产生 min（B,C）个数字，并把三维相似聚焦掩码张量相应位置的元素置为1，其余则置为0。对每个索引按元素进行or运算。

  3. 将这个三维相似度聚焦掩码张量 broadcast 成输入 input 的形状

请参考 Similarity Focus Layer 。

  1. 例如 :
  3. 给定四维张量 x 形为 (BatchSize, C, A, B), 其中C 为通道Channel数目，
  4. 特征图（feature map）的形为（A,B）：
  6.     x.shape = (2, 3, 2, 2)
  7.     x.data = [[[[0.8, 0.1],
  8.                 [0.4, 0.5]],
  10.                [[0.9, 0.7],
  11.                 [0.9, 0.9]],
  13.                [[0.8, 0.9],
  14.                 [0.1, 0.2]]],
  17.               [[[0.2, 0.5],
  18.                 [0.3, 0.4]],
  20.                [[0.9, 0.7],
  21.                 [0.8, 0.4]],
  23.                [[0.0, 0.2],
  24.                 [0.4, 0.7]]]]
  26. 给定轴: 1 (即channel轴)
  27. 给定索引: [0]
  29. 于是我们得到一个与输入同形的四维输出张量：
  30.     out.shape = (2, 3, 2, 2)
  31.     out.data = [[[[1.0, 0.0],
  32.                   [0.0, 1.0]],
  34.                  [[1.0, 0.0],
  35.                   [0.0, 1.0]],
  37.                  [[1.0, 0.0],
  38.                   [0.0, 1.0]]],
  40.                 [[[0.0, 1.0],
  41.                   [1.0, 0.0]],
  43.                  [[0.0, 1.0],
  44.                   [1.0, 0.0]],
  46.                  [[0.0, 1.0],
  47.                   [1.0, 0.0]]]]

参数:

  • input (Variable) – 输入张量，应为一个四维张量，形为[BatchSize, A, B, C]，数据类型为 float32 或者 float64。

  • axis (int) – 指明要选择的轴。 可能取值为 1, 2 或 3。

  • indexes (list) – 指明选择维度的索引列表。

返回：一个和输入 Variable 同形状、同数据类型的 Variable

返回类型：Variable

代码示例

  1. import paddle.fluid as fluid
  2. data = fluid.layers.data(
  3.   name='data', shape=[-1, 3, 2, 2], dtype='float32')
  4. fluid.layers.similarity_focus(input=data, axis=1, indexes=[0])