此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • AffineActivation
  • AffineBlock
  • LCNetV3Block
  • LCNetV3Layer
  • QuantizedAffineBlock
  • 函数
  • scale_up
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包
最后更新
Python API: luxonis_train.nodes.backbones.pplcnet_v3.blocksPPLCNetV3 主干网络的块。

类

AffineActivation

Hardswish 后跟一个可学习的仿射映射。输出是 scale * hardswish(x) + bias。一个 AffineBlock 包含 scale 和 bias。它们从 1.0 和 0.0 开始,因此该模块最初是一个普通的 torch.nn.Hardswish。

方法

init
Python
1def __init__(self):
forward
Python
1def forward(x: Tensor) -> Tensor:
应用 Hardswish,然后是仿射映射。参数
  • x (Tensor): 任意形状的张量。
返回
  • Tensor: scale * hardswish(x) + bias,与 x 形状相同。

属性

activation
affine

AffineBlock

可学习的仿射映射 scale * x + bias,带标量参数。scale 和 bias 是形状为 [1] 的 torch.nn.Parameter 对象。相同的两个值适用于输入的所有元素。

方法

init
Python
1def __init__(scale_value: float = 1.0, bias_value: float = 0.0):
初始化比例和偏差参数。参数
  • scale_value (float): scale 的初始值。提供 float 类型。int 类型可以通过类型检查,但它会生成一个整数张量。然后构造函数会引发 RuntimeError。
  • bias_value (float): bias 的初始值。规则相同。
forward
Python
1def forward(x: Tensor) -> Tensor:
应用仿射映射。参数
  • x (Tensor): 任意形状的张量。
返回
  • Tensor: scale * x + bias,与 x 形状相同。

属性

bias
scale

LCNetV3Block

PPLCNetV3 的深度可分离块。该块按顺序运行以下层:
  • 一个 k×k 深度可分离 GeneralReparameterizableBlock。它有 n_branches 个密集分支,一个 1×1 比例分支,当 stride 为 1 时还有一个恒等分支。
  • 一个可选的 SqueezeExciteBlock,带有 in_channels // 4 个隐藏通道,一个 ReLU 和一个硬 sigmoid 门。
  • 一个 1×1 点式 GeneralReparameterizableBlock。它有 n_branches 个密集分支,没有比例分支,当 in_channels 等于 out_channels 时还有一个恒等分支。
这两个卷积中的每一个都将一个 AffineBlock 应用于其分支的总和,然后是一个 AffineActivation。当 stride 为 2 时,深度卷积没有激活。

方法

init
Python
1def __init__(in_channels: int, out_channels: int, kernel_size: int, stride: int, use_se: bool = False, n_branches: int = 4):
初始化两个卷积和可选的注意力。参数
  • in_channels (int): 输入通道数。深度卷积保持此数量。
  • out_channels (int): 点式卷积的输出通道数。
  • kernel_size (int): 深度卷积的核大小。填充为 (kernel_size - 1) // 2。使用奇数值。
  • stride (int): 深度卷积的步幅。2 还会移除其后的激活。
  • use_se (bool): 是否在两个卷积之间添加 SqueezeExciteBlock。
  • n_branches (int): 每个卷积的密集分支数。
forward
Python
1def forward(x: Tensor) -> Tensor:
应用两个卷积和可选的注意力。参数
  • x (Tensor): 形状为 [B, in_channels, H, W] 的输入。
返回
  • Tensor: 形状为 [B, out_channels, ceil(H / stride), ceil(W / stride)] 的输出,对于奇数 kernel_size。

属性

dw_conv
pw_conv
se

LCNetV3Layer

LCNetV3Block 块序列,构成一个 PPLCNetV3 层。该层为四个列表的每个位置构建一个块。scale_up 将 out_channels 的每个值按 scale 进行缩放。每个块都接收其前一个块的输出通道。torch.nn.Sequential 的 forward 按顺序运行这些块。

方法

init
Python
1def __init__(in_channels: int, out_channels: list[int], kernel_sizes: list[int], strides: list[int], use_se: list[bool], n_branches: int = 4, scale: float = 1.0):
为列表的每个位置构建一个 LCNetV3Block。参数
  • in_channels (int): 第一个块的输入通道数。
  • out_channels (list[int]): 每个块的输出通道数,在 scale_up 缩放它们之前。
  • kernel_sizes (list[int]): 每个块的深度核大小。
  • strides (list[int]): 每个块的深度步幅。
  • use_se (list[bool]): 每个块是否具有 SqueezeExciteBlock。
  • n_branches (int): 每个块的每个卷积的密集分支数。
  • scale (float): scale_up 应用于 out_channels 的宽度乘数。
引发
  • ValueError: 当四个列表长度不一致时。

属性

out_channels
层的输出通道数,scale_up(out_channels[-1], scale)。

QuantizedAffineBlock

AffineBlock 的量化形式,用于 AIMET。该类仅在安装 aimet_torch 时存在。装饰器 QuantizationMixin.implements 为 AffineBlock 注册它。该块有一个输入量化器和一个输出量化器。

方法

forward
Python
1def forward(x: Tensor) -> Tensor:
使用量化输入和参数运行 AffineBlock。该方法使用输入量化器量化 x。它使用量化参数运行 AffineBlock.forward。然后它使用输出量化器量化结果。它会跳过为 None 的量化器。参数
  • x (Tensor): 任意形状的张量。
返回
  • Tensor: scale * x + bias,与 x 形状相同。

属性

input_quantizers
output_quantizers

函数

scale_up

Python
1def scale_up(v: float, scale: float, divisor: int = 16, min_value: int | None = None) -> int:
缩放通道计数并将其四舍五入为 divisor 的倍数。该函数将 v 乘以 scale。它将乘积四舍五入到最接近 divisor 的倍数,介于两个倍数之间的乘积向上取整。结果至少为 min_value。当结果低于乘积的 90% 时,函数会添加一个 divisor。参数
  • v (float): 要缩放的通道计数。
  • scale (float): 乘数。
  • divisor (int): 要四舍五入到的倍数。
  • min_value (int | None): 最小结果。None 选择 divisor。
返回
  • int: 缩放并四舍五入后的通道计数。