分批處理

在深度學習中，每一步最佳化都會根據多個輸入範例進行作業以達成強健訓練。因此，有效的批次處理至關重要。對於影像輸入，批次處理很簡單；N 個影像會調整為相同的高度和寬度，然後堆疊為形狀為 N x 3 x H x W 的四維張量。對於網格，批次處理並不容易。

batch_intro

網格批次處理模式

假設你要建立一個批次，其中包含兩個網格，其中 mesh1 = (v1: V1 x 3, f1: F1 x 3) 包含 V1 個頂點和 F1 個面，而 mesh2 = (v2: V2 x 3, f2: F2 x 3) 有 V2 (!= V1) 個頂點和 F2 (!= F1) 個面。 Meshes 資料結構提供三種不同的方式來批次處理異質網格。如果 meshes = Meshes(verts = [v1, v2], faces = [f1, f2]) 是資料結構的一個實例，那麼

清單：將批次中的範例作為張量清單返回。特別是，meshes.verts_list() 返回頂點清單 [v1, v2]。同樣地，meshes.faces_list() 返回面清單 [f1, f2]。
填充：填充表示會藉由填充額外值來建立一個張量。特別是，meshes.verts_padded() 返回形狀為 2 x max(V1, V2) x 3 的張量，並使用 0 填充額外頂點。同樣地，meshes.faces_padded() 返回形狀為 2 x max(F1, F2) x 3 的張量，並使用 -1 填充額外面。
封裝：封裝表示會連結批次中的範例成為一個張量。特別是，meshes.verts_packed() 返回形狀為 (V1 + V2) x 3 的張量。同樣地，meshes.faces_packed() 返回形狀為 (F1 + F2) x 3 用於面的張量。在封裝模式中，會計算輔助變數，以便在封裝與填充或清單模式之間進行有效轉換。

batch_modes

資料結構允許有效轉換不同的批次模式。這是要達成快速且有效率的訓練週期的關鍵因素。以下是舉例，Mesh R-CNN。在此，在同一次順向通過中，網路的不同部分假設不同的輸入，此輸入是由轉換不同的批次模式計算而成的。尤其是，vert_align 假設一個填補輸入張量，而緊接在graph_conv 之後假設一個封裝輸入張量。