torch.nn.functional.interpolate介绍

基本概念

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

作用：将输入上采样或降采样到给定的 size 或 scale_factor=

使用的插值算法由 mode 决定，可以选择

• 通用：area, nearest-exact

• 3D：nearest, linear(3D-only)

• 4D： bilinear, bicubic(4D-only)

• 5D：trilinear(5D-only)

目前支持时间，空间和体积采样（输入是 3-D，4-D，5-D）

输入的数据的维度将会被解释为一下形式：

(mini-batch, channels, depth(optional), height(optional), width)

• 在进行上采样的时候，mini-batch和channels是不变化的，变化的只有图的大小，最多是后三个维度

参数

• input-输入tensor

• size（int/Tuple[int]/Tuple[int, int]/Tuple[int, int, int]）- 输出的维度

  • 如果是 int，则认为后面的维度都变化

    a = torch.ones(2, 2, 2, 2)
    a = F.interpolate(a, size=3, mode='area')
    print(a)
    print(a.shape)
    >>tensor([[[[1., 1., 1.],
              [1., 1., 1.],
              [1., 1., 1.]],
    
             [[1., 1., 1.],
              [1., 1., 1.],
              [1., 1., 1.]]],
    
    
            [[[1., 1., 1.],
              [1., 1., 1.],
              [1., 1., 1.]],
    
             [[1., 1., 1.],
              [1., 1., 1.],
              [1., 1., 1.]]]])
    >>torch.Size([2, 2, 3, 3])
    

• scale_factor（float/Tuple[float]）- 输出的 size 变成原来的几倍。如果scale_factor是 tuple，其长度应该和input.dim()一样（就是去掉前两维之后维度的数目）

  a = torch.ones(2, 2, 2, 2)
  a = F.interpolate(a, scale_factor=(2, 2), mode='bilinear', align_corners=False)
  print(a.shape)
  >>torch.Size([2, 2, 4, 4])
  

  • 同样，如果是一个数，就默认除前两维之外都变化

• align_corners（bool，optional）：几何上，我们认为像素是一个方块而不是一个点。

  • True：输入和输出 tensor 将会通过 corner pixels 的中心点来对齐，保留 corner pixels 的值
  • Fales：输入和输出 tensors 将会通过 corner pixels 的角点来对齐的
  • 默认是 False，只有当 mode = linear, bilinear, bicubic, trilinear时，才能设置
  • 从4×4上采样成8×8。一个是按四角的像素角点对齐，另一个是按四角的像素点中心对齐。

图像来源：https://discuss.pytorch.org/t/what-we-should-use-align-corners-false/22663/9