MM 18有篇文章《Non-locally Enhanced Encoder-Decoder Network for Single Image De-raining》，这篇文章把两大吃显存利器——non-local 和 densely connection一起给用了（绝望脸），如果要控制显存使用的话，就对实现要求比较高了。里面提到了一个控制 non-local 运算的方法，将feature map划分成patch，在patch内进行non-local操作，而不是原来的全局non-local。
思路
这里实现一下这个patch版本的non-local。一般的non-local实现，请参考：Github 传送门。
思路很简单，就是把patch的索引作为一个特殊的batch索引，原来的non-local运算会逐batch中的样本进行，现在就是逐batch中的样本、逐每个样本中的patch进行了。
上图中，索引的第1个位置表示batch，第2、3个位置表示patch，将1~3个位置的索引看成整体，作为这个特殊的“batch”的索引。此时，patch版本的 non-local 就和一般的 non-local 没有太大区别了。
实现
那么，如何实现这样的一个新索引呢？
假如有输入图像 ，首先需要将最后两个表示位置的索引分解成四个索引，两个表示块的位置，两个表示块中元素的位置，例如要将行分解成m块、列分解成n块，就得到
，使用
view 方法就能实现。如果对这个实现有疑惑，可以参考附录中的例子。
然后进行转置（或者说是交换索引的位置），得到。这里使用前三个索引，表示具体某个patch（batch中某个feature map的某个patch）。最后，使用这个新的Tensor来进行non-local的操作即可，方法类似，仅仅是在前面多了两个索引。
# implementation in PyTorch
# x=>(b, c, m, h/m, n, w/n)
# e.g. nb_patches = [2, 2]
b, c, h, w = x.size()
x = x.view(b, c,
nb_patches[0], h / nb_patches[0],
nb_patches[1], w / nb_patches[1])
# x=>(b, m, n, h/m, w/n, c)->(b, m, n, h/m*w/n, c)
x = x.permute(0, 2, 4, 3, 5, 1).contiguous()
x = x.view(b, nb_patches[0], nb_patches[1], -1, c)
附录
如果不确定view的使用，可以举个简单的例子，如上图的的一个方块
，显然大小就是
。上图里中间一列，左边表示元素，右边表示原来的元素索引。如果使用
view 就是在新的 Tensor 中按顺序排列旧的 Tensor 中的元素。按如下代码重新排列元素。图中右边一列，就是使用了 view 后的新索引。
X = X.view(1, 1, 2, 4/2, 2, 4/2)
所以，对于左上角的patch，其索引是，右上角则是
，也就是使用
view得到新的 Tensor的第3、5个位置的索引。
待填坑： Tensor中的contiguous方法
