[一起学习pytorch吧]之interpolate函数

今天主要翻译一下官方的interpolate函数～
链接：https://pytorch.org/docs/master/nn.functional.html?highlight=interpolate#torch.nn.functional.interpolate

Interpolate

torch.nn.functional.interpolate(input: torch.Tensor, size: Optional[int] = None, scale_factor: Optional[List[float]] = None, mode: str = ‘nearest’, align_corners: Optional[bool] = None, recompute_scale_factor: Optional[bool] = None) → torch.Tensor

函数作用：向下/向上采样输入到任意给定的尺寸或比例。
其中，差值算法是由mode参数来决定的。目前支持时间采样、空间采样和体积采样，即输入为3-D，4-D或5-D。
输入的维度为mini-batch x channels x [optional depth] x [optional height] x width。
用于resize的mode有6种选择：nearest, linear (仅用于3D), bilinear, bicubic (仅用于4D), trilinear (仅用于5D), area。

参数

• input(Tensor)——输入的tensor
• size(int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int])——输出的大小
• scale_factor (float or Tuple[float])——尺寸的乘子(应该就是缩放因子的意思)。如果是tuple，需要与输入的大小相匹配
• mode (str)——上采样所用的算法:‘nearest’ | ‘linear’ | ‘bilinear’ | ‘bicubic’ | ‘trilinear’ | ‘area’。默认值是 ‘nearest’
• align_corners (bool, optional)——几何上，我们将输入和输出的像素看作方形而不是点。如果设为True，输入和输出tensor按照角点像素的中心点来对齐，并保留角点像素的值。如果设为False，输入和输出tensor按照角点像素的角点来对齐，并且插值使用边界值填充边界外的值，在缩放因子保持不变的情况下使此操作与输入的大小无关。这只在 ‘linear’, ‘bilinear’, ‘bicubic’ 或 'trilinear’模式下有效。默认值：False。
• recompute_scale_factor (bool, optional)——重新计算用于插值运算的scale_factor。当scale_factor以参数的形式被传进来后，它被用于计算输出的大小。如果recompute_scale_factor为False或没有指定，传入的scale_factor将被用于插值计算。否则，将会基于输入和输出的大小重新计算一个用于插值计算的scale_factor(即计算结果将与传入计算的输出大小相同)。当scale_factor是浮点数时，由于四舍五入和精度问题，重新计算的scale_factor可能会和传入的scale_factor不同。

注意

当mode='bicubic’时，有可能会出现越界问题，也就是说可能会产生负的或超过255的像素值。在显示图像时，可以通过result.clamp(min=0, max=255)来解决越界问题。

警告

1. 当align_corners = True时，线性插值模式(linear、bilinear 和 trilinear)不会按照比例对齐输出和输入像素，因此输出值可以依据输入的尺寸。0.3.1版本之前，align_corners = True为默认值。之后的默认值为align_corners = False。
2. 当scale_factor明确时，如果recompute_scale_factor=True，scale_factor将被用于计算output_size，并且output_size将被用于推理插值运算的新的scale。在1.6.0版本中recompute_scale_factor的默认值变为False，并且scale_factor被用于插值运算。
3. 当在CUDA设备上给定tensor时，可能会产生不确定的梯度。