pytorch 图像padding+特征图插值F.interpolate

padding函数的模式：

torch.nn.functional.pad(input, pad, mode='constant/reflect/replicate')
或者：
torch.nn.functional.pad(input, pad, mode='constant', value=0)# 默认常值0填充

现在只有pad部分需要比较高的注意力，给出以下使用解释：

p3d = (1, 2, 3, 4, 5, 6)
# p3d = (左边填充数， 右边填充数， 上边填充数， 下边填充数， 前边填充数，后边填充数)

p2d = (1, 2, 3, 4)
# p2d = (左边填充数， 右边填充数， 上边填充数， 下边填充数)

常用的padding方法，对于图像分块不够的情况下padding（分别在图像的右侧和下侧进行填充）

import torch.nn as nn
import torch.nn.functional as F


if pad_input:
    # to pad the last 3 dimensions,
    # (W_left, W_right, H_top,H_bottom, C_front, C_back)
    x = F.pad(x, (0, self.patch_size[1] - W % self.patch_size[1],
                  0, self.patch_size[0] - H % self.patch_size[0],
                  0, 0))

插值(对tensor的后两个维度扩展)

TORCH.NN.FUNCTIONAL.INTERPOLATE

score_map = F.interpolate(dist_list.unsqueeze(1), size=x.size(2), mode='bilinear',
                                  align_corners=False).squeeze().numpy()

align_corners（默认False）

    import torch.nn.functional as F
    import torch

    a = torch.arange(4, dtype=torch.float32).reshape(1, 1, 2, 2)
    b = F.interpolate(a, size=(4, 4), mode='bilinear',align_corners=False)# b = F.interpolate(a, size=(4, 4), mode='nearest')
tensor([[[[0., 1.],
          [2., 3.]]]])
tensor([[[[0.0000, 0.2500, 0.7500, 1.0000],
          [0.5000, 0.7500, 1.2500, 1.5000],
          [1.5000, 1.7500, 2.2500, 2.5000],
          [2.0000, 2.2500, 2.7500, 3.0000]]]])    

    import torch.nn.functional as F
    import torch

    a = torch.arange(4, dtype=torch.float32).reshape(1, 1, 2, 2)
    b = F.interpolate(a, size=(4, 4), mode='bilinear',align_corners=True)
tensor([[[[0., 1.],
          [2., 3.]]]])
tensor([[[[0.0000, 0.3333, 0.6667, 1.0000],
          [0.6667, 1.0000, 1.3333, 1.6667],
          [1.3333, 1.6667, 2.0000, 2.3333],
          [2.0000, 2.3333, 2.6667, 3.0000]]]])