def create_laplacian_dict(self): # 拉普拉斯字典 def symmetric_norm_lap(adj): # rowsum = np.array(adj.sum(axis=1)) d_inv_sqrt = np.power(rowsum, -0.5).flatten() d_inv_sqrt[np.isinf(d_inv_sqrt)] = 0 d_mat_inv_sqrt = sp.diags(d_inv_sqrt) norm_adj = d_mat_inv_sqrt.dot(adj).dot(d_mat_inv_sqrt) return norm_adj.tocoo() def random_walk_norm_lap(adj): # 传入邻接矩阵 rowsum = np.array(adj.sum(axis=1)) # 行总和 d_inv = np.power(rowsum, -1.0).flatten() d_inv[np.isinf(d_inv)] = 0 d_mat_inv = sp.diags(d_inv) norm_adj = d_mat_inv.dot(adj) return norm_adj.tocoo() # 归一化的邻接稀疏矩阵 if self.laplacian_type == 'symmetric': # 解释器默认的是random—walk norm_lap_func = symmetric_norm_lap elif self.laplacian_type == 'random-walk': norm_lap_func = random_walk_norm_lap # 拉普拉斯的功能就用这个 else: raise NotImplementedError self.laplacian_dict = {} for r, adj in self.adjacency_dict.items(): self.laplacian_dict[r] = norm_lap_func(adj) A_in = sum(self.laplacian_dict.values()) self.A_in = self.convert_coo2tensor(A_in.tocoo())
时间: 2024-03-28 18:39:03 浏览: 33
可以看出这段代码是用来创建拉普拉斯字典的。其中使用了两种不同的归一化方法,分别是对称归一化和随机游走归一化。如果选择对称归一化,就使用函数symmetric_norm_lap,如果选择随机游走归一化,就使用函数random_walk_norm_lap。然后遍历邻接矩阵字典,对每一个邻接矩阵都进行相应的归一化操作,最后将所有的归一化邻接矩阵相加,得到A_in,并将其转换为张量格式。
相关问题
for r, adj in self.adjacency_dict.items(): self.laplacian_dict[r] = norm_lap_func(adj)
这段代码是一个 Python 代码块,包含一个 for 循环。其中,self.adjacency_dict 是一个字典类型的成员变量,表示一个图的邻接矩阵。在 for 循环中,对 self.adjacency_dict.items() 进行迭代,每次迭代返回一个键值对 (r, adj),其中 r 是节点的编号,adj 是节点 r 的邻接矩阵。在循环体内,调用了 norm_lap_func 函数对邻接矩阵 adj 进行了归一化拉普拉斯变换,并将结果存储在字典类型的成员变量 self.laplacian_dict 中,以节点编号 r 作为 key。这段代码的作用是计算图的归一化拉普拉斯矩阵,并将其存储在 self.laplacian_dict 中。
def __init__(self, template_path): super(Model, self).__init__() # set template mesh self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr') self.vertices = (self.template_mesh.vertices * 0.5).stop_grad() self.faces = self.template_mesh.faces.stop_grad() self.textures = self.template_mesh.textures.stop_grad() # optimize for displacement map and center self.displace = jt.zeros(self.template_mesh.vertices.shape) self.center = jt.zeros((1, 1, 3)) # define Laplacian and flatten geometry constraints self.laplacian_loss = LaplacianLoss(self.vertices[0], self.faces[0]) self.flatten_loss = FlattenLoss(self.faces[0])在每行代码后添加注释
```
def __init__(self, template_path):
super(Model, self).__init__() # 初始化父类
# 加载模板网格
self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr')
# 缩放网格顶点坐标,并设置为不可求导
self.vertices = (self.template_mesh.vertices * 0.5).stop_grad()
# 设置网格面和纹理,并设置为不可求导
self.faces = self.template_mesh.faces.stop_grad()
self.textures = self.template_mesh.textures.stop_grad()
# 初始化位移和中心
self.displace = jt.zeros(self.template_mesh.vertices.shape) # 位移
self.center = jt.zeros((1, 1, 3)) # 中心点
# 定义 Laplacian 和 flatten 约束损失
self.laplacian_loss = LaplacianLoss(self.vertices[0], self.faces[0]) # Laplacian 约束损失
self.flatten_loss = FlattenLoss(self.faces[0]) # flatten 约束损失
```
注释解释如下:
- `super(Model, self).__init__()`:调用父类的构造函数进行初始化。
- `self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr')`:从 OBJ 文件中加载模板网格。
- `self.vertices = (self.template_mesh.vertices * 0.5).stop_grad()`:将模板网格的顶点坐标缩放为原来的一半,并将其设置为不可求导。
- `self.faces = self.template_mesh.faces.stop_grad()`:将模板网格的面索引设置为不可求导。
- `self.textures = self.template_mesh.textures.stop_grad()`:将模板网格的纹理设置为不可求导。
- `self.displace = jt.zeros(self.template_mesh.vertices.shape)`:初始化位移变量,并将其设置为可求导的 0 张量。
- `self.center = jt.zeros((1, 1, 3))`:初始化中心点,并将其设置为可求导的 0 张量。
- `self.laplacian_loss = LaplacianLoss(self.vertices[0], self.faces[0])`:初始化 Laplacian 约束损失。
- `self.flatten_loss = FlattenLoss(self.faces[0])`:初始化 flatten 约束损失。
相关推荐
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)