python
%matplotlib inline
import torch
from d2l import torch as d2l
torch.set_printoptions(2) # 让pytorch打印张量时，只打印到小数点后两位将设一张图片，宽和高为2,2
python
X = torch.rand(size=(1,3,2,2))
Y = generate_anchors(X,sizes=[0.75,0.5,0.25],ratios=[1,2,0.5])锚框中心点的设置
python
# 为每个像素可以生成 n+m-1个锚框，整个图像生成 wh(n+m-1)
def generate_anchors(data,sizes,ratios): # 书上的名字是 multibox_prior
'''
data:输入图像，sizes：缩放比 rations:宽高比
:return: (批量数，锚框数量，4)
'''
'''1.数据准备'''
# 图片的shape为(样本数，h,w)，取出图片的h,w
in_height,in_width = data.shape[-2:]
# 取出数据的设备，缩放比的数量，宽高比的数量
device,num_sizes,num_ratios = data.device,len(sizes),len(ratios)
# 每个像素的锚框数
boxes_per_pixel = (num_sizes+num_ratios-1)
# 把缩放列表和宽高比列表转换为tensor格式
size_tensor = torch.tensor(sizes,device=device)
ratio_tensor = torch.tensor(ratios,device=device)
'''设置锚框中心坐标 和 步长'''
# 因为1像素的宽和高都是1,所以1像素的中心点是(0.5,0.5)
offset_h,offset_w=0.5,0.5
# 缩放步长
steps_h = 1/in_height
steps_w = 1/in_width
python
# 不乘以步长，垂直方向上锚框的中心点
center_h = (torch.arange(in_height,device=device) + offset_h)
print(center_h)tensor(0.50, 1.50)
python
# 乘以步长时，垂直方向上锚框的中心点。
center_h = (torch.arange(in_height,device=device) + offset_h) * steps_h
print(center_h)tensor(0.25, 0.75)
python
# 不乘以步长，水平方向上锚框的中心点
center_w = (torch.arange(in_width,device=device) + offset_w)
print(center_w)tensor(0.50, 1.50)
python
# 乘以步长，水平方向上锚框的中心点
center_w = (torch.arange(in_width,device=device) + offset_w) * steps_w
print(center_w)tensor(0.25, 0.75)
乘以步长和不乘步长，锚框中心点的区别
之所以要乘以步长，是为了对应/w,/h归一化后的锚框形状。
python
# 生成锚框的所有中心点
shift_y,shift_x = torch.meshgrid(center_h,center_w)
print(f'shift_y = {shift_y}')
print(f'shift_x = {shift_x}')shift_y = tensor(\[0.25, 0.25, 0.75, 0.75])
shift_x = tensor(\[0.25, 0.75, 0.25, 0.75])
python
#把tensor变成一维
shift_y,shift_x = shift_y.reshape(-1),shift_x.reshape(-1)
print(shift_y, shift_x)tensor(0.25, 0.25, 0.75, 0.75) tensor(0.25, 0.75, 0.25, 0.75)
