代码读不懂

[tzslg]

代码读的很困难，与文章中的公式对应不上，请教下面代码与文章对应的公式？ def forward(self, x_g, point_idx, *kwargs): kernel_idx = self.forward_kernel_idx(x_g, point_idx, '0') rbf_out = self.forward_rbf(x_g, kernel_idx, '0')
rbf_out = rbf_out / (rbf_out.detach().sum(-1, keepdim=True) + 1e-8) rbf_out = rbf_out[..., None] # [p k_topk 1] rbf_out= torch.sin(rbf_out self.pe_lc0_rbf_freqs[None, None]) #这是对应的公式几？ out = (self.lc0(kernel_idx) rbf_out).sum(1) #这是对应的公式几？ out_hg = self.hg0(x_g / self.cmax_gpu.flip(-1)[None])
out = torch.cat([out_hg, out], -1) + self.lcb0[None]#这是对应的公式5吗？ h = F.relu(out, inplace=True) for l in range(self.num_layers): h = self.backbonel if l == 0: h = torch.sin(h self.pe_lc0_freqs[None]) + h #公式(7) elif l != self.num_layers - 1: h = F.relu(h, inplace=True) return h

请教代码中的lc0，lcb0, hg0分别表示什么意思，对应文章中的变量是什么？

感谢作者，读您的文章和代码收益很多，恳请赐教

[LansburyCH]

rbf_out= torch.sin(rbf_out * self.pe_lc0_rbf_freqs[None, None]) 对应公式5

out = (self.lc0(kernel_idx) * rbf_out).sum(1) 对应公式6，lc0是每个rbf的neural feature，对应文中w_i

out = torch.cat([out_hg, out], -1) + self.lcb0[None] 对应hybrid radial bases，将adaptive rbf的features和grid-based part的features concat在一起，lcb0是concat后加上的bias，文中略去这一变量

hg0是grid-based部分的encoding，这里用的是hash grid

[hyperzy]

rbf_out= torch.sin(rbf_out * self.pe_lc0_rbf_freqs[None, None]) 对应公式5

out = (self.lc0(kernel_idx) * rbf_out).sum(1) 对应公式6，lc0是每个rbf的neural feature，对应文中w_i

out = torch.cat([out_hg, out], -1) + self.lcb0[None] 对应hybrid radial bases，将adaptive rbf的features和grid-based part的features concat在一起，lcb0是concat后加上的bias，文中略去这一变量

hg0是grid-based部分的encoding，这里用的是hash grid

请问有相关缩写的解释吗？ 比如lc, kw, ks, kc, sq (clip_kw_sq)

[hyperzy]

能大致猜到kw, ks, kc 是kernel weights, kernel sigma, kernel center，代码里面还有类似这一类code方便解释下表示哪些rbf吗？

        if rbf_type.endswith('_a'):
            ks.weight.data = torch.eye(in_dim)[None, ...].repeat(n_kernel, 1, 1).reshape(n_kernel, -1)
        elif rbf_type.endswith('_d'):
            ks.weight.data[:] = 1
        elif rbf_type.endswith('_s'):
            ks.weight.data[:] = 1

[LansburyCH]

'_a'代表anisotropic rbf（shape parameter是一个covariance matrix，即同时有n维的scale和rotation），'_d'代表diagonally anisotropic rbf（covariance matrix是diagonal的，即只有n维的scale），'_s'代表isotropic rbf（shape parameter是一个scalar的scale，相当于每一维的scale相同）；另外，kw是kernel width。

[tzslg]

rbf_out= torch.sin(rbf_out * self.pe_lc0_rbf_freqs[None, None]) 对应公式5

out = (self.lc0(kernel_idx) * rbf_out).sum(1) 对应公式6，lc0是每个rbf的neural feature，对应文中w_i

out = torch.cat([out_hg, out], -1) + self.lcb0[None] 对应hybrid radial bases，将adaptive rbf的features和grid-based part的features concat在一起，lcb0是concat后加上的bias，文中略去这一变量

hg0是grid-based部分的encoding，这里用的是hash grid

谢谢