interpolate
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None)
根據給定的size或scale_factor參數來對輸入進行下/上採樣
使用的插值算法取決於參數mode的設置
支持目前的temporal(1D, 如向量數據), spatial(2D, 如jpg、png等圖像數據)和volumetric(3D, 如點雲數據)類型的採樣數據作爲輸入,輸入數據的格式爲minibatch x channels x [optional depth] x [optional height] x width,具體爲:
- 對於一個temporal輸入,期待着3D張量的輸入,即minibatch x channels x width
- 對於一個空間spatial輸入,期待着4D張量的輸入,即minibatch x channels x height x width
- 對於體積volumetric輸入,則期待着5D張量的輸入,即minibatch x channels x depth x height x width
可用於重置大小的mode有:最近鄰、線性(3D-only),、雙線性, 雙三次(bicubic,4D-only)和三線性(trilinear,5D-only)插值算法和area算法
參數:
-
input (Tensor) – 輸入張量
-
size (int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int]) –輸出大小.
-
scale_factor (float or Tuple[float]) – 指定輸出爲輸入的多少倍數。如果輸入爲tuple,其也要制定爲tuple類型
-
mode (str) –
可使用的上採樣算法,有
'nearest'
,'linear'
,'bilinear'
,'bicubic'
,'trilinear'和'area'
.默認使用
'nearest'
-
align_corners (bool, optional) –
幾何上,我們認爲輸入和輸出的像素是正方形,而不是點。如果設置爲True,則輸入和輸出張量由其角像素的中心點對齊,從而保留角像素處的值。如果設置爲False,則輸入和輸出張量由它們的角像素的角點對齊,插值使用邊界外值的邊值填充;
當scale_factor保持不變時
,使該操作獨立於輸入大小。僅當使用的算法爲'linear'
,'bilinear', 'bilinear'
or'trilinear'時可以使用。
默認設置爲
False
-
輸入:
-
import torch from torch import nn import torch.nn.functional as F input = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 2, 2) input
返回值:
tensor([[[[1., 2.], [3., 4.]]]])
輸入:
x = F.interpolate(input, scale_factor=2, mode='nearest') x
返回值
tensor([[[[1., 1., 2., 2.], [1., 1., 2., 2.], [3., 3., 4., 4.], [3., 3., 4., 4.]]]])
輸入值:
x = F.interpolate(input, scale_factor=2, mode='bilinear', align_corners=True) x
返回值:
tensor([[[[1.0000, 1.3333, 1.6667, 2.0000], [1.6667, 2.0000, 2.3333, 2.6667], [2.3333, 2.6667, 3.0000, 3.3333], [3.0000, 3.3333, 3.6667, 4.0000]]]])