2
私は金属のcnnコードを書いています。 MetalはMPSCNNLocalContrastNormalization、 を提供します。インスタンス正規化の概念はわずかに異なりますので、私はカーネル関数として実装しようと考えています。インスタンスの正規化を実装したい
しかし、カーネル関数の入力から受け取ったテクスチャ内の特徴がR、G、Bである場合、各R、G、Bの平均と分散を求めるべきであるという問題があります。 これを実装する方法についていくつかのヒントを得たいと思います。
kernel void instance_normalization_2darray(texture2d_array<float, access::sample> src [[ texture(0) ]],
texture2d_array<float, access::write> dst [[ texture(1) ]],
uint3 tid [[thread_position_in_grid]]) {
}
kernel void calculate_avgA(texture2d_array<float, access::read> texture_in [[texture(0)]],
texture2d_array<float, access::write> texture_out [[texture(1)]],
uint3 tid [[thread_position_in_grid]])
{
int width = texture_in.get_width();
int height = texture_in.get_height();
int depth = texture_in.get_array_size();
float4 outColor;
uint3 kernelIndex(0,0,0);
uint3 textureIndex(0,0,0);
for(int k = 0; k < depth; k++) {
outColor = (0.0, 0.0, 0.0, 0.0);
for (int i=0; i < width; i++)
{
for (int j=0; j < height; j++)
{
kernelIndex = uint3(i, j, k);
textureIndex = uint3(tid.x + i, tid.y + j, tid.z + k);
float4 color = texture_in.read(textureIndex.xy, textureIndex.z).rgba;
outColor += color;
}
}
outColor = outColor/(width * height);
texture_out.write(float4(outColor.rgba), tid.xy, textureIndex.z);
}
}
うわー!良いアイデア..!! 私はmpscnnpoolingaverageで平均した後、分散を得るためのヒントを教えてくれますか? –
mpscnnpoolingaverageの後に、nchannelx1x1(1x1 pixle)でmpstemporaryイメージを取得できます。そして、カーネルを使って、元の画像からサブ画像のサブとパワーを計算し、再び平均をプールすれば、分散が得られます。 – Ericking
そして私はGithubのMetalImageプロジェクトでINVIDA最適化アルゴリズムを参照して、他のアルゴリズムの削減量を求めます。(https://github.com/erickingxu/MetalImage.git) – Ericking