tensor = torch.from_numpy(arr.transpose(2,0,1)[np.newaxis,:,:,:])

arr = tensor.numpy()

フィボナッチをワンライナーでやる系のやつを使う

y = [(l.append(f(l[-1])),l[-1])[1] for l in [[x]] for f in mods]

座標系におけるアフィン変換の逆変換行列を与えると良い．

base_gridが格子点で生成され，この逆変換行列で座標変換されたものが返されるのだろう．

入力画像をx[-1,+1]，y[-1,+1]のキャンバスに置いて grid で示された座標の値を得る． この座標系では画像右方向にx軸，下方向にy軸がある．

Thin-Plate Splineのnn.Moduleを自前で実装するなら， コンストラクタに変換後コントロールポイント座標と特徴マップのサイズ(H,W)を与え， インスタンス生成時に $$ \left(\begin{array}{c|c} {\bf R_{\rm cpt}} & {\bf H_{\rm cpt}}\\ \hline {\bf H_{\rm cpt}}^\top & {\bf O} \end{array}\right)^{-1} $$ を作成する． 予めベースサンプラーとして $$\left(\begin{array}{c|c} {\bf R_{\rm gpt}} & {\bf H_{\rm gpt}} \end{array}\right)$$を用意しておく．

ネットワーク中で変換前コントロールポイント座標が与えられたら $$\left(\begin{array}{c} {\bf P'_{\rm cps}}\\ \hline {\bf O} \end{array}\right)$$を作り， $$ \left(\begin{array}{c} {\bf W}\\ \hline {\bf A} \end{array}\right) = \left(\begin{array}{c|c} {\bf R_{\rm cpt}} & {\bf H_{\rm cpt}}\\ \hline {\bf H_{\rm cpt}}^\top & {\bf O} \end{array}\right)^{-1} \left(\begin{array}{c} {\bf P'_{\rm cps}}\\ \hline {\bf O} \end{array}\right) $$ で変換後コントロールポイントから変換前コントロールポイントへ変換する変換行列が計算できる． これによって $$ \left(\begin{array}{c|c} {\bf R_{\rm gpt}} & {\bf H_{\rm gpt}} \end{array}\right) \left(\begin{array}{c}{\bf W}\\ \hline {\bf A} \end{array}\right) = {\bf P'_{\rm gps}} $$ でサンプラーが作成出来る．

TODO

register_bufferやregister_parameterはstate_dict()で呼び出せるようにする． register_bufferはmodel.parameters()で呼び出されないのでoptimizerによる更新がない． register_parameterは呼び出されるので更新がある．

- pytorch/
    - torch/
        - csrc/    : C++とかで書かれたコード？

PyTorch1.5からビルドシステムにちょっと変更が入った？ マルチスレッドな Ninja に対応したことで MAX_JOBS=2 とか付けて setup.py するか、 BuildExtension.with_options(use_ninja=False) にするかしないと以前のシステムは動かないようになった。