torch的interpolate函数

F.interpolate—数组采样操作

torch.nn.functional.interpolate(input,size=None,scale_factor=None,mode='nearest',align_corners=None,recompute_scale_factor=None）

功能：
1.利用插值方法，对输入的张量数组进行上、下采样操作，科学合理地改变数组的尺寸大小，尽量保持数据完整。
输入：
input(Tensor)：需要进行采样处理的数组。
size(int或者序列）:输出空间的大小，可以是一个整数也可以是一个元组，表示将输入调整为具有相同宽高的方形张量
scale_factor(float或者序列）:空间大小的乘数
mode(str)：用于采样的算法：nearest、linear、bilinear、bicubic、trilinear、area
align_corners(bool):在几何上，我们将输入和输出的像素视为正方形而不是点，如果设置为True，则输入和输出张量按照其角像素的中心点对齐，保留角像素处的值，如果设置为False，则输入和输出张量通过其角像素处的像素点对齐，并且插值使用边缘值填充用于边界外值，使得该操作在保持不变时独立于输入大小scale_factor。

功能：根据指定的size或者scale_factor进行上下采样，使用的插值算法取决于参数mode的取值。
支持目前的temporal，spatial和volumetric类型的采样数据作为输入，输入的格式为：
批量（batch_size)x通道（channels)x[可选深度]x[可选高度]x宽度。
mode是linear的时候输入必须是3维的。

align_corners=True与False的区别：

在计算机视觉中，interpolate函数常用于图像的放大（即上采样操作），比如在细粒度识别中，注意力图有时候会对特征图进行裁剪操作，将有用的部分裁剪出来，裁剪后的图像往往尺寸小于原始特征图，这时候强制转换成原始图像大小往往是无效的，会丢失部分有用的信息，因此使用interpolate函数对其进行上采样操作，在保证图像信息不丢失的情况下，放大图像，从而放大图像的细节，有利于进一步的特征提取工作。

参考博客：
https://blog.csdn.net/qq_50001789/article/details/120297401?spm=1001.2101.3001.6650.2&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-2-120297401-blog-112508666.235%5Ev43%5Epc_blog_bottom_relevance_base6&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-2-120297401-blog-112508666.235%5Ev43%5Epc_blog_bottom_relevance_base6&utm_relevant_index=5
写的特别好