Open3D--core模块函数详解-CSDN博客

以下是 Open3D 核心模块 open3d.core 的 完整函数及类 的详细说明，涵盖所有公开接口，按功能分类整理。内容基于 Open3D 最新版本（v0.17+），并标注关键用途和参数。

1. 设备管理 (`Device`)

管理计算设备（CPU/GPU/CUDA）的配置与状态检查。

函数/类	参数	返回值	说明
`Device(device_type, device_id=0)`	`device_type: str` (e.g., `"CPU"`, `"CUDA"`)	`Device` 对象	创建设备实例，如 `Device("CUDA", 0)`
`Device.is_available(device_type)`	`device_type: str`	`bool`	检查设备是否可用（如 `Device.is_available("CUDA")`）
`Device.default_device()`	-	`Device`	返回当前默认设备（通常优先用GPU）
`device.__str__()`	-	`str`	设备描述字符串（如 `"CUDA:0"`）

2. 张量操作 (`Tensor`)

创建与初始化

函数	参数	返回值	说明
`Tensor(array, dtype=None, device=None)`	`array`: np.ndarray/list, `dtype`: `float32/int64` 等, `device`: `Device`	`Tensor`	从数据创建张量
`Tensor.zeros(shape, dtype, device)`	`shape`: tuple, `dtype`: 数据类型, `device`: `Device`	`Tensor`	全零张量
`Tensor.ones(shape, dtype, device)`	同 `zeros`	`Tensor`	全1张量
`Tensor.full(shape, value, dtype, device)`	`value`: 标量填充值	`Tensor`	填充固定值
`Tensor.arange(start, end, step, dtype, device)`	`start`, `end`, `step`: 数值范围	`Tensor`	生成序列张量
`Tensor.empty(shape, dtype, device)`	-	`Tensor`	未初始化张量（内容随机）

属性与转换

属性/方法	说明
`tensor.shape`	张量形状（tuple）
`tensor.dtype`	数据类型（`Dtype` 类型）
`tensor.device`	设备信息
`tensor.numpy()`	转为NumPy数组（仅支持CPU张量）
`tensor.to(device)`	跨设备复制（如 `tensor.to("CUDA:0")`）
`tensor.clone()`	深拷贝
`tensor.copy_(src)`	从源张量复制数据

3. 数据类型 (`Dtype`)

支持的数据类型常量（完整列表）：

类型	说明	对应NumPy类型
`o3d.core.float32`	32位浮点	`np.float32`
`o3d.core.float64`	64位浮点	`np.float64`
`o3d.core.int8`	8位有符号整数	`np.int8`
`o3d.core.int32`	32位有符号整数	`np.int32`
`o3d.core.int64`	64位有符号整数	`np.int64`
`o3d.core.uint8`	8位无符号整数	`np.uint8`
`o3d.core.bool`	布尔类型	`np.bool_`

4. 数学运算

逐元素运算

函数	说明	函数	说明
`tensor + other`	加法	`tensor.sin()`	正弦函数
`tensor - other`	减法	`tensor.cos()`	余弦函数
`tensor * other`	乘法	`tensor.sqrt()`	平方根
`tensor / other`	除法	`tensor.exp()`	指数函数
`tensor.abs()`	绝对值	`tensor.log()`	自然对数

矩阵运算

函数	说明
`tensor.matmul(other)`	矩阵乘法
`tensor.T()`	转置
`tensor.inv()`	矩阵求逆（仅方阵）
`o3d.core.einsum(equation, *tensors)`	爱因斯坦求和（如 `"ij,jk->ik"`）

统计与归约

函数	参数	说明
`tensor.sum(dim)`	`dim`: 可选维度	求和（可指定轴）
`tensor.mean(dim)`	-	均值
`tensor.max(dim)`	-	最大值（返回值和索引）
`tensor.min(dim)`	-	最小值（返回值和索引）

5. 索引与切片

操作	示例	说明
`tensor[0]`	第0个元素	单维索引
`tensor[:, 1:3]`	所有行，第1到2列	多维切片
`tensor.gather(indices, dim)`	`indices`: 索引张量, `dim`: 维度	按索引收集数据
`tensor.reshape(new_shape)`	`new_shape`: tuple	调整形状（不改变数据）

6. 内存与优化

函数	说明
`tensor.contiguous()`	确保内存连续存储（提升运算效率）
`tensor.pin_memory()`	固定内存（加速CPU→GPU传输）
`o3d.core.empty_cache()`	清空CUDA缓存（避免GPU内存泄漏）

7. 并行计算

函数	说明
`o3d.core.parallel_for(func, count, device)`	并行执行函数（`func` 需接受索引参数，如 `lambda i: i*2`，`count` 为迭代次数）

8. 其他工具函数

函数	说明
`o3d.core.hash(tensor)`	计算张量的哈希值（用于快速比较）
`o3d.core.cat(tensors, dim=0)`	沿维度拼接张量（类似 `torch.cat`）
`o3d.core.stack(tensors, dim=0)`	在新维度上堆叠张量

完整示例

import open3d.core as o3c
import numpy as np

# 1. 创建设备和张量
device = o3c.Device("CUDA:0")
a = o3c.Tensor(np.array([1, 2, 3]), dtype=o3c.float32, device=device)
b = o3c.Tensor.ones((3,), dtype=o3c.int32, device="CPU")

# 2. 数学运算
c = (a + b.to(device)).sin()  # GPU计算 + 三角函数

# 3. 索引与统计
print(c[0].item())           # 输出第0个元素的值
print(c.mean())              # 输出均值

# 4. 并行计算
result = o3c.parallel_for(lambda i: i * 2, count=1000, device=device)