# blocks

Python API: `luxonis_train.nodes.necks.reppan_neck.blocks`

RepPAN neck 的上采样和下采样块。

## 类

### CSPDownBlock

[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md)
的自下而上融合步骤，带有一个 CSP 块。

编码块是一个
[CSPStackRepBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)，它将连接映射到
`out_channels`。当 `block` 为 `"CSPStackRepBlock"`
时，[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md)
使用此步骤，如 `"m"` 和 `"l"` 变体所示。

> **示例**
> ```pycon
>>> import torch
>>> block = CSPDownBlock(
...     4, 8, in_channels_next=12, out_channels=16, n_repeats=2, e=0.25
... )
>>> block.encode_block.conv_1.out_channels
4
>>> x0, x1 = torch.zeros(1, 4, 8, 8), torch.zeros(1, 12, 4, 4)
>>> block(x0, x1).shape
torch.Size([1, 16, 4, 4])
```

#### 方法

##### init

```python
def __init__(in_channels: int, downsample_out_channels: int, in_channels_next: int, out_channels: int, n_repeats: int, e: float):
```

初始化下采样层和 CSP 块。

参数

 * `in_channels` (`int`): 精细输入的通道数。
 * `downsample_out_channels` (`int`): 下采样卷积后的通道数。
 * `in_channels_next` (`int`): 横向输入的通道数，该步骤将其连接。
 * `out_channels` (`int`): 输出通道数。
 * `n_repeats` (`int`): 控制 [CSPStackRepBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md) 中 RepVGG 风格块的数量。每个 [BottleRep](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md) 包含两个，因此堆栈有 `max(1, n_repeats // 2)` 个 [BottleRep](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md) 块和 `2 * max(1, n_repeats // 2)` 个 RepVGG 风格块。
 * `e` (`float`): [CSPStackRepBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md) 的两条路径中 `out_channels` 的分数。

### CSPUpBlock

[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md) 的自上而下融合步骤，带有一个 CSP 块。

编码块是一个 [CSPStackRepBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)，它将连接映射到 `out_channels`。当 `block` 为 `"CSPStackRepBlock"` 时，[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md) 使用此步骤，如 `"m"` 和 `"l"` 变体所示。

> **示例**
> ```pycon
>>> block = CSPUpBlock(
...     32, in_channels_next=16, out_channels=8, n_repeats=4, e=0.5
... )
>>> block.encode_block.conv_1.out_channels
4
>>> len(block.encode_block.rep_stack)
2
```

#### 方法

##### init

```python
def __init__(in_channels: int, in_channels_next: int, out_channels: int, n_repeats: int, e: float):
```

初始化上采样层和 CSP 块。

参数

 * `in_channels` (`int`): 粗略输入的通道数。
 * `in_channels_next` (`int`): 更精细输入的通道数，该步骤将其连接。
 * `out_channels` (`int`): 输出通道数。
 * `n_repeats` (`int`): 控制
   [CSPStackRepBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)
   中 RepVGG 风格块的数量。每个
   [BottleRep](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)
   包含两个，因此堆栈有 `max(1, n_repeats // 2)` 个
   [BottleRep](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)
   块和 `2 * max(1, n_repeats // 2)` 个 RepVGG 风格块。
 * `e` (`float`):
   [CSPStackRepBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)
   的两条路径中 `out_channels` 的分数。

### PANDownBlockBase

[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md)
的自下而上融合步骤的基类。

一个 `3x3`
[ConvBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)，步长为
`2`，填充为 `1`，带批量归一化和 ReLU，将精细输入的高度和宽度减半。奇数尺寸向上取整。该块将结果与横向输入沿通道轴连接，并对其运行 `encode_block`。子类选择 `encode_block`。

#### 方法

##### init

```python
def __init__(in_channels: int, downsample_out_channels: int, encode_block: nn.Module):
```

初始化下采样卷积。

参数

 * `in_channels` (`int`): 精细输入的通道数。
 * `downsample_out_channels` (`int`): 下采样卷积后的通道数。
 * `encode_block` (`nn.Module`): 在连接上运行的块。其输入具有 `downsample_out_channels` 加上横向输入的通道数。

##### forward

```python
def forward(x0: Tensor, x1: Tensor) -> Tensor:
```

下采样精细图并将其与横向图融合。

> **示例**
> ```pycon
>>> import torch
>>> block = RepDownBlock(
...     4, 8, in_channels_next=12, out_channels=16, n_repeats=1
... )
>>> x0, x1 = torch.zeros(1, 4, 8, 8), torch.zeros(1, 12, 4, 4)
>>> block(x0, x1).shape
torch.Size([1, 16, 4, 4])
```

参数

 * `x0` (`Tensor`): 形状为 `[B, in_channels, H, W]` 的精细图。
 * `x1` (`Tensor`): 形状为 `[B, C1, H / 2, W / 2]` 的横向图。奇数 `H` 或 `W` 向上取整。在子类中，`C1` 是 `in_channels_next`。

返回

 * `Tensor`: `encode_block` 的输出。在子类中，其形状为 `[B, out_channels, H / 2, W / 2]`。

#### 属性

##### downsample

##### encode_block

### PANUpBlockBase

[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md) 的自上而下融合步骤的基类。

一个 `1x1` [ConvBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)，带批量归一化和 ReLU，将粗略输入映射到 `out_channels`。然后，一个步长为 `2` 的 `2x2` 转置卷积将高度和宽度加倍。该块将结果与更精细的输入沿通道轴连接，并对其运行 `encode_block`。子类选择 `encode_block`。

#### 方法

##### init

```python
def __init__(in_channels: int, out_channels: int, encode_block: nn.Module):
```

构建 `1x1` 卷积和上采样层。

参数

 * `in_channels` (`int`): 粗略输入的通道数。
 * `out_channels` (`int`): `1x1` 卷积后的通道数。上采样层保持此数量。
 * `encode_block` (`nn.Module`): 在连接上运行的块。其输入具有 `out_channels` 加上更精细输入的通道数。

##### forward

```python
def forward(x0: Tensor, x1: Tensor) -> tuple[Tensor, Tensor]:
```

上采样粗略图并将其与更精细图融合。

> **示例**
> ```pycon
>>> import torch
>>> block = RepUpBlock(
...     32, in_channels_next=16, out_channels=8, n_repeats=1
... )
>>> x0, x1 = torch.zeros(1, 32, 4, 4), torch.zeros(1, 16, 8, 8)
>>> conv_out, out = block(x0, x1)
>>> conv_out.shape, out.shape
(torch.Size([1, 8, 4, 4]), torch.Size([1, 8, 8, 8]))
```

参数

 * `x0` (`Tensor`): 形状为 `[B, in_channels, H, W]` 的粗略图。
 * `x1` (`Tensor`): 形状为 `[B, C1, 2 * H, 2 * W]` 的更精细图。在子类中，`C1` 是 `in_channels_next`。

返回

 * `tuple[Tensor, Tensor]`: 元组 `(conv_out, out)`。`conv_out` 是 `1x1` 卷积的输出，形状为 `[B, out_channels, H,
   W]`。[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md)
   将其作为横向输入提供给自下而上步骤。`out` 是 `encode_block` 的输出。在子类中，`out` 的形状为 `[B, out_channels, 2 * H, 2 * W]`。

#### 属性

##### conv

##### encode_block

##### upsample

### RepDownBlock

[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md)
的自下而上融合步骤，带 RepVGG 风格块。

编码块是 `n_repeats` 个
[GeneralReparameterizableBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)
层的
[BlockRepeater](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)。第一层将连接映射到
`out_channels`。其他层保持该数量。当 `block` 为 `"RepBlock"`
时，[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md)
使用此步骤，如 `"n"` 和 `"s"` 变体所示。

> **示例**
> ```pycon
>>> import torch
>>> block = RepDownBlock(
...     4, 8, in_channels_next=12, out_channels=16, n_repeats=3
... )
>>> block.encode_block(torch.zeros(1, 20, 4, 4)).shape
torch.Size([1, 16, 4, 4])
```

#### 方法

##### init

```python
def __init__(in_channels: int, downsample_out_channels: int, in_channels_next: int, out_channels: int, n_repeats: int):
```

初始化下采样层和 RepVGG 风格堆栈。

参数

 * `in_channels` (`int`): 精细输入的通道数。
 * `downsample_out_channels` (`int`): 下采样卷积后的通道数。
 * `in_channels_next` (`int`): 横向输入的通道数，该步骤将其连接。
 * `out_channels` (`int`): 输出通道数。
 * `n_repeats` (`int`): [GeneralReparameterizableBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md) 层的数量。小于 `1` 的值仍会构建一层。

### RepUpBlock

[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md) 的自上而下融合步骤，带 RepVGG 风格块。

编码块是 `n_repeats` 个 [GeneralReparameterizableBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md) 层的 [BlockRepeater](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)。第一层将连接映射到 `out_channels`。其他层保持该数量。当 `block` 为 `"RepBlock"` 时，[RepPANNeck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/necks/reppan_neck/reppan_neck.md) 使用此步骤，如 `"n"` 和 `"s"` 变体所示。

> **示例**
> ```pycon
>>> import torch
>>> block = RepUpBlock(
...     32, in_channels_next=16, out_channels=8, n_repeats=3
... )
>>> block.encode_block(torch.zeros(1, 24, 4, 4)).shape
torch.Size([1, 8, 4, 4])
```

#### 方法

##### init

```python
def __init__(in_channels: int, in_channels_next: int, out_channels: int, n_repeats: int):
```

初始化上采样层和 RepVGG 风格堆栈。

参数

 * `in_channels` (`int`): 粗略输入的通道数。
 * `in_channels_next` (`int`): 更精细输入的通道数，该步骤将其连接。
 * `out_channels` (`int`): 输出通道数。
 * `n_repeats` (`int`):
   [GeneralReparameterizableBlock](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/blocks/blocks.md)
   层的数量。小于 `1` 的值仍会构建一层。
