Pytorch提供了torch.Tensor.unfold操作，可以链接到任意多个维度以提取重叠的补丁。我们如何逆转补丁提取操作，使得补丁可以组合回输入形状？
重点是具有1个通道（生物医学）的3D体数据图像。使用unfold可以提取补丁，如果这些补丁重叠，如何将它们组合起来？
回答：
为了提取（重叠）补丁并重建输入形状，我们可以使用torch.nn.functional.unfold和其逆操作torch.nn.functional.fold。这些方法只能处理4D张量或2D图像，但是您可以一次处理一个维度来使用这些方法。
几个注意事项：
-
这种方法需要使用来自pytorch的fold/unfold方法，不幸的是，我还没有在TF API中找到类似的方法。
-
我们从2D开始，然后是3D，然后是4D，以展示增量差异，您可以扩展到任意多个维度（可能编写一个循环而不是像我这样硬编码每个维度）
-
我们可以通过两种方式提取补丁，它们的输出是相同的。方法被称为
extract_patches_Xd和extract_patches_Xds，其中X是维度的数量。后者使用torch.Tensor.unfold()，代码行数更少。（输出是相同的，除了它不能使用膨胀） -
方法
extract_patches_Xd和combine_patches_Xd是逆方法，组合器一步一步地逆转提取器的步骤。 -
代码行后面跟随一个注释，声明维度如（B, C, T, D, H, W）。以下是使用的符号：
B：批量大小C：通道T：时间维度D：深度维度H：高度维度W：宽度维度x_dim_in：在提取方法中，这是维度x的输入像素数。在组合方法中，这是维度x的滑动窗口数量。x_dim_out：在提取方法中，这是维度x的滑动窗口数量。在组合方法中，这是维度x的输出像素数。
-
我有一个公开的笔记本可以尝试代码
-
我已经尝试了基本的2D、3D和4D张量，如下所示。然而，我的代码并非无懈可击，我希望在其他输入上测试时能得到反馈。
-
get_dim_blocks()方法是pytorch文档网站上给出的函数，用于计算卷积层的输出形状。 -
请注意，如果您有重叠的补丁并且您将它们组合起来，重叠的元素将被求和。如果您想再次获得初始输入，有一种方法可以做到这一点。
- 使用
torch.ones_like(patches_tensor)创建与补丁大小相似的全1张量。 - 将补丁组合成具有相同输出形状的完整图像。（这会为重叠元素创建一个计数器）。
- 用组合的全1张量除以组合的图像，这应该可以逆转任何元素的双重求和。
- 使用
首先（2D）：
可以直接使用torch.nn.functional.fold和torch.nn.functional.unfold方法。
...输出（2D）
...其次（3D）：
现在变得有趣了：我们需要使用两个fold和unfold，我们首先对D维度应用fold，并通过设置内核为1、填充为0、步长为1和膨胀为1来保持W和H不变。然后我们查看张量并对H和W维度进行折叠。展开操作以相反的顺序进行，首先是H和W，然后是D。
...输出（3D）
（我不得不限制字符数，请查看笔记本）
第三（4D）
我们在3D体数据中增加一个时间维度。我们从仅对T维度进行折叠开始，类似于3D版本，保持D、H和W不变。然后我们对D进行折叠，保持H和W不变。最后我们对H和W进行折叠。展开操作再次以相反的顺序进行。希望您现在已经注意到一个模式，并且您可以添加任意多个维度，并开始一个接一个地折叠。展开操作再次以相反的顺序进行。
...输出（4D）
（我不得不限制字符数，请查看笔记本）
