nn.Upsample() 参数详解及避坑

最新推荐文章于 2024-09-15 20:22:36 发布
最新推荐文章于 2024-09-15 20:22:36 发布
阅读量6.2k 收藏 17
点赞数 9
分类专栏： 深度学习储备知识 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44864833/article/details/127916316
版权

1. 用法

torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None)
  1. size: 指定输出的尺寸大小
  2. scale_factor： 指定输出的尺寸是输入尺寸的倍数
  3. mode: 上采样的算法可选 ‘nearest’, ‘linear’, ‘bilinear’, ‘bicubic’，‘trilinear’. 默认: ‘nearest’
  4. align_corners和recomputer_scale_factor：几乎用不到

2. 避坑

这是尺寸的改变，不是通道改变，入门小白请注意！ 是尺寸，尺寸，尺寸，不是通道，不是通道，不是通道
在Attention U-Net中有用到

Philo`
关注
专栏目录
nn.Upsampling is deprecated. Use nn.functional.interpolate instead.
jacke121的专栏
07-05 4921
解决方法： x2_in = nn.functional.interpolate(x2_in, scale_factor=2, mode='bilinear',align_corners=True) #-*-coding:utf-8-*- import torch import torch.nn as nn import numpy as np # pool of non-sq...
pytorch学习笔记四：torch.nn下常用网络层(layer)详解
耐心的小黑的博客
04-07 5544
一、卷积层 卷积：Conv2d ''' in_channels:输入通道数 out_channels：输出通道数 kernel_size：卷积核尺寸，整数或者元组 stride：卷积操作的步幅，整数或者元组 padding：数据hw方向上填充的层数，整数或者元组，默认填充的是0 dilation：卷积核内部各点的间距，整数或者元组 groups：控制输入和输出之间的连接；group...
pytorch torch.nn 实现上采样——nn.Upsample
weixin_30905133的博客
08-23 2516
Vision layers 1）Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的 1D (temporal,如向量数据), 2D (spatial，如jpg、png等图像数据) or 3D (volum...
pytorch之nn.Upsample函数
浩瀚之水的专栏
09-15 1290
在PyTorch中，是一个用于上采样（即放大）输入张量（tensor）的模块。上采样是许多计算机视觉任务中的关键步骤，特别是在图像分割、超分辨率和生成对抗网络（GANs）等领域。可以通过不同的方法来放大输入张量，包括最近邻插值（nearest neighbor interpolation）、线性插值（对于二维数据，等同于双线性插值；对于三维数据，等同于三线性插值）、双三次插值（bicubic interpolation，但需注意PyTorch的默认不支持双三次插值，除非使用）等。
nn.Upsample
热门推荐
芒果干的博客
12-19 2万+
写在前面：在PyTorch中有两种上采样/下采样的方法，一种是Upsample，另一种是interpolate 这两个函数的使用方法略有差异，这里仅介绍Upsample Upsample torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) size - output spatial sizes（int or tuple(int, int)） scale_factor - multiplier
Pytorch：nn.Upsample() 和nn.ConvTranspose2d()
weixin_42046845的博客
03-20 2427
nn.Upsample 是一个在PyTorch中进行上采样（增加数据维度）的层，其通过指定的方法（如nearest邻近插值或linear、bilinear、trilinear线性插值等）来增大tensor的尺寸。这个层可以在二维或三维数据上按照给定的尺寸或者放大比例来调整输入数据的维度。
【深度学习】特征图的上采样（nn.Upsample）和转置卷积（nn.ConvTranspose2d） | pytorch
weixin_46274756的博客
11-17 1万+
【深度学习】特征图的上采样（nn.Upsample）和转置卷积（nn.ConvTranspose2d） | pytorch
pytorch中的上采样以及各种反操作,求逆操作详解
01-20
F.upsample(input, size=None, scale_factor=None,mode=’nearest’, align_corners=None) rUpsamples the input to either the given :attr:`size` or the given :attr:`scale_factor` The algorithm used for ...
upsample 点云上采样 upsamling 代码（2）
三维点云技术探索
05-05 628
微信 394467238 本系列文章将对比 PCL 的不同上采样方法，并且尝试不同参数造成的影响有什么区别； 以及对比自己写的一个点云上采样方法的效果如何； 所有代码都将在文章中给出，代码都是自己运行过的，可以确定没有问题； ...
DySample：Learning to Upsample by Learning to Sample——关键字：上采样卷积
m0_47867638的博客
04-30 1528
论文：https://arxiv.org/pdf/2308.15085我们提出了DySample，一个超轻量级且高效的动态上采样器。虽然最近的基于内核的动态上采样器，如CARAFE、FADE和SAPA，取得了令人印象深刻的性能提升，但它们引入了大量的计算量，这主要是由于耗时的动态卷积以及用于生成动态内核的附加子网络。此外，FADE和SAPA对高分辨率特征指导的需求在某种程度上限制了它们的应用场景。
pytorch源码解析系列-yolov4最核心技巧代码详解（1）-网络结构
weixin_48174100的博客
09-23 1164
yoloV4 关于YOLOV1-3自行参考百度，本文只用代码展现YOLOV4中核心部分实现方式 1. CBM CBL 以下代码部分参考源码 内容，图片参考了江大白的知乎 conv+batch+mish(Leaky relu) 效果：就是leakly relu的效果，防止梯度为0 结果：backbone用了mish，准确率提高了0.3%-0.9% class Conv_Bn_Activation(nn.Module): def __init__(self, in_channels, out_cha
torch.nn.Upsample() 函数详解
晓野豬
10-18 1万+
上采样函数： torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 参数详解： size：据不同的输入制定输出大小； scale_factor：指定输出为输入的多少倍数； mode：可使用的上采样算法，有nearest，linear，bilinear，bicubic 和 trilinear。默认使用nearest； align_corners ：如果为 True，输入的角像素将与输出张量对
pytorch nn.upsample
qq_42017498的博客
10-03 749
https://www.cnblogs.com/wanghui-garcia/p/11399053.html
torch.nn 实现上采样——nn.Upsample
qq_41496108的博客
12-02 4421
CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 最近邻、线性,、双线性, 双三次(bicubic)和三线性(trilinear)插值算法 mode (str, optional) – 可使用的上采样算法，有’nearest’, ‘linear’, ‘bilinear’, ‘bicubic’ and ‘trilinear’. 默认使用’nearest’ align_corner
【pytorch基础】torch.nn 实现上采样——nn.Upsample
dujuancao11的博客
10-28 1742
pytorch torch.nn 实现上采样——nn.Upsample - 慢行厚积 - 博客园 仅仅作为自己的笔记，有需要的话直接看原文吧。 CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 参数： size(intorTuple[int] orTuple[int,int] orTuple[int,int,int],optional) – 根据不...
torch之nn.Upsample
Nicola.Zhang
07-11 1万+
nn.Upsample 详见官方手册nn.Upsample，但是简单解释如下： 作用：上采样 定义：CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 参数： 计算： ...
torch.nn.Upsample实现上采样
我是天才很好
09-29 4838
参考链接: https://www.cnblogs.com/wanghui-garcia/p/11399053.html 官方文档： https://pytorch.apachecn.org/docs/1.0/nn.html torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) size:一个独立的元组，想要得到的输出尺寸 scale_factor：可以为int和tuple,图像高度/宽度/深
nn.Upsample的参数用法
最新发布
09-20
在PyTorch中，nn.Upsample模块用于对张量进行插值，以放大或缩小其尺寸。它的参数用法如下： * scale_factor：指定插值因子。可以使用单一数值或一个张量，以表示沿着所有维度上的插值因子。如果使用单一数值，那么它必须是一个大于1的数，用于放大张量的所有维度。如果使用张量，则可以指定不同维度的插值因子。 * mode：指定插值模式。可选的模式包括'nearest'（最近邻插值）、'bilinear'（双线性插值）和'bicubic'（双三次插值）。默认模式为'bilinear'。 * align_corners：指定是否保持插值输出和输入在角点的对齐方式。默认情况下，align_corners为True，这意味着输出和输入在角点上对齐。 下面是一个使用nn.Upsample的示例代码： ```python import torch import torch.nn as nn # 创建一个大小为(1, 2, 2, 1)的张量 input = torch.randn(1, 2, 2, 1) # 创建一个插值层，放大张量的尺寸到(1, 4, 4, 2) upsample = nn.Upsample(scale_factor=(2, 2), mode='bilinear', align_corners=True) # 应用插值层得到放大后的张量 output = upsample(input) print(output.size()) # 输出：(1, 4, 4, 2) ``` 在上面的示例中，我们创建了一个大小为(1, 2, 2, 1)的张量，并使用nn.Upsample层将其放大到(1, 4, 4, 2)的尺寸。我们指定了插值因子为(2, 2)，模式为'bilinear'，并设置了align_corners为True以保持对齐方式。最后，我们打印了输出张量的尺寸，可以看到它已经被放大到了指定的尺寸。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Philo`

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值