torch.nn.interpolate—torch上采样和下采样操作

已于 2024-02-01 10:26:10 修改
阅读量7.2k 收藏 13
点赞数 2
分类专栏： python 文章标签： pytorch 深度学习 python
于 2022-08-30 09:58:22 首次发布
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/weixin_44503976/article/details/126597180
版权

前言：

最近博主搭建网络需要用到一些直接对于GPU上的tensor的上采样和下采样操作，如果使用opencv那么就需要先将数据从GPU上面copy到CPU，操作完后在转移到GPU。这样不能利用GPU的加速技术，并且还会导致程序阻塞，pytorch中带有函数interpolate可以实现这个功能，下面详细讲解这个函数的使用。

1.TORCH.NN.FUNCTIONAL.INTERPOLATE

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

**输入尺寸以以下形式解释： 小批量 x 通道 x [可选深度] x [可选高度] x 宽度。

**向下/向上对给定size 或 给定的输入进行采样scale_factor

**用于插值的算法由 mode确定，目前支持时间、空间和体积采样，即预期输入的形状是 3-D、4-D 或 5-D。

***可用于调整大小的模式有：(中英文对照)

nearest, linear (3D-only), bilinear, bicubic (4D-only), trilinear (5D-only), area, nearest-exact

最低0.47元/天 解锁文章
两只蜡笔的小新
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【PyTorch 】interpolate()==＞上下采样函数
简单记录生活、学习
06-14 1万+
def interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None): # noqa: F811 # type: (Tensor, Optional[int], Optional[List[float]], str, Optional[bool], Optional[bool]) -> Tensor r"""Down/.
[Pytorch基础操作] 上/下采样函数 torch.nn.functional.interpolate 插值
ZhengrongYue的博客
04-15 1190
[Pytorch基础操作] 上/下采样函数 torch.nn.functional.interpolate 插值
PyTorch 常用采样方法
最新发布
YHKKun的博客
06-06 403
伯努利分布是一个离散概率分布，表示一个随机试验只有两种可能的结果（通常称为“成功”和“失败”），并且每种结果发生的概率是固定的。：多项式分布是二项分布的推广，用于描述在n次独立重复的随机试验中成功次数的概率分布，其中每次试验有多种可能的结果。：当数据呈现对称分布且大多数值集中在均值附近时，例如在测量误差、考试成绩或身高分布等场景中。：当所有可能的结果等可能发生时，例如在模拟实验中随机选择一个数或在进行蒙特卡洛模拟时。：用于模拟只有两种可能结果的随机事件，如抛硬币、疾病的存在与否等。
torch.nn.functional.interpolate()函数详解
qq_44289607的博客
03-15 2万+
通常可以使用pytorch中的torch.nn.functional.interpolate()实现插值和上采样。上采样，在深度学习框架中，可以简单理解为任何可以让你的图像变成更高分辨率的技术。 input(Tensor):输入张量 size(intor Tuple[int] or Tuple[int, int] or Tuple[int, int, int]) :输出大小 scale_factor (float or Tuple[float]) :指定输出为输入的多少倍数...
F.interpolate——数组采样操作
热门推荐
qq_50001789的博客
09-14 9万+
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：利用插值方法，对输入的张量数组进行上\下采样操作，换句话说就是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
【Pytorch学习（1）】torch.nn.functional.interpolate() 怎么用？
weixin_44212848的博客
04-17 1390
其主要用途是对图像或特征图进行上采样或下采样操作。
nn.Upsample
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
卷积神经网络学习笔记(基本理解）
weixin_61576710的博客
07-31 826
1
深度学习上采样下采样概念以及实现
weixin_42382758的博客
05-02 2208
相比上池化，使用反卷积进行图像的“上采样”是可以被学习的（会用到卷积操作，其参数是可学习的）。下采样的过程是一个信息损失的过程，而池化层是不可学习的，用stride为2的可学习卷积层来代替pooling可以得到更好的效果，当然同时也增加了一定的计算量。如果设置为False，则输入和输出张量由它们的角像素的角点对齐，插值使用边界外值的边值填充;1.插值，一般使用的是双线性插值，因为效果最好，虽然计算上比其他插值方式复杂，但是相对于卷积计算可以说不值一提，其他插值方式还有最近邻插值、三线性插值等；
【Pytorch】常用函数功能介绍和注意事项
qq_44779076的博客
03-20 2496
本文主要介绍了利用【Pytorch搭建深度学习框架】时，涉及的常用函数功能和注意点，笔者将持续更新、完善，希望更给你带来帮助！
Pytorch常用的函数(四)深度学习中常见的上采样方法总结
qq_44665283的博客
11-11 2804
Pytorch常用的函数(四)深度学习中常见的上采样方法总结
pytorch | torch.nn.function.interpolate的功能
Ddddddd_158的博客
03-26 366
pytorch | torch.nn.function.interpolate的功能
科研小白进阶之路——torch实现模型保存和加载的几种方式
ahjsd的博客
08-07 1690
模型的保存： 方式一：保存整个模型 model = resnet() #-------省略训练过程------------ torch.save(model,path) 方式二：只保存模型参数 model = resnet() #-------省略训练过程--------------- torch.save(model.state_dict,path) 模型的加载： 情况一：训练已经结束，测试时加载训练好的模型 1、在训练的py文件下面直接对模型进行测试： model = resnet() #
torch.nn.functional.interpolate函数
m0_63664949的博客
04-20 508
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None, antialias=False) Down/up samples the input to either the given size or the given scale_factor The algorithm used for int
基于pytorch的目标检测（rcnn+resnet50，行人数据集）
u012329554的博客
05-29 4997
import torch torch.cuda.is_available() True !pip install cython # Install pycocotools, the version by default in Colab # has a bug fixed in https://github.com/cocodataset/cocoapi/pull/354 !pip install -U 'git+https://github.com/cocodataset/cocoapi.git#su
Pytorch之torch.nn.functional.pad超全解释
qq_18566467的博客
03-12 3137
torch.nn.functional.pad是PyTorch内置的矩阵填充函数 (1).torch.nn.functional.pad函数详细描述如下： torch.nn.functional.pad(input, pad, mode,value ) Args: """ input：四维或者五维的tensor Variabe pad：不同Tensor的填充方式 1.四维Tens...
PyTorch | torch.nn.functional.interpolate
W1995S的博客
06-19 556
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None) 根据给定的size或scale_factor参数来对输入进行下/上采样 使用的插值算法取决于参数mode的设置 支持目前的temporal(1D, 如向量数据), spatial(2D, 如jpg、png等图像数据)和volumetric(3D, 如点云数据)类型的采样数据作为输入，输入数据的格式为
pytorch模型复现踩坑记, upsample不可靠
AAUfoa的博客
03-31 4105
固定随机种子使模型可复现在具体实验中是非常重要的。 网上提供了许多操作方法，最直接就是如下代码： manual_seed = config.get('manual_seed', None) if manual_seed is not None: logger.info(f'Seed the RNG for all devices with {manual_seed}') os.environ['PYTHONHASHSEED'] = str
UserWarning: nn.Upsample is deprecated. Use nn.functional.interpolate instead
xiongzai2016的博客
12-26 7298
Pytorch中使用nn.Upsample警告问题： ①首先说明该警告不影响程序的正常运行 ②nn.Upsample与nn.functional.interpolate在功能上没有区别，但使用方法却不一样，即简单的把nn.Upsample换成nn.functional.interpolate是不行的。区别在于nn.Upsample可以写在nn.Sequential内，而nn.functional....
torch.nn.functional.interpolate()函数怎么用
04-26
`torch.nn.functional.interpolate()` 函数可以用来对张量进行插值操作，可以实现上采样和下采样操作。它的用法如下： ``` torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None) ``` 其中，参数含义如下： - `input`：要进行插值操作的张量 - `size`：输出的张量的空间大小，可以是一个整数或者一个元组。如果是一个整数，则表示输出张量的高度和宽度相等；如果是一个元组，则表示输出张量的高度和宽度分别为元组中的两个整数。 - `scale_factor`：输出张量的缩放因子，可以是一个浮点数或者一个元组。如果是一个浮点数，则表示输出张量的高度和宽度都乘以该浮点数；如果是一个元组，则表示输出张量的高度和宽度分别乘以元组中的两个浮点数。 - `mode`：插值模式，可选值为 `'nearest'`、`'linear'`、`'bilinear'`、`'trilinear'`、`'area'`。默认值为 `'nearest'`，表示最近邻插值。 - `align_corners`：是否对齐角点。默认值为 `None`，表示不对齐角点。 下面是一个例子： ```python import torch # 创建一个大小为 (1, 3, 2, 2) 的张量 input = torch.tensor([[[[1, 2], [3, 4]], [[5, 6], [7, 8]], [[9, 10], [11, 12]]]]) # 对张量进行上采样，输出张量的大小为 (1, 3, 4, 4) output = torch.nn.functional.interpolate(input, size=(4, 4), mode='nearest') print(output) ``` 输出结果为： ``` tensor([[[[ 1, 1, 2, 2], [ 1, 1, 2, 2], [ 3, 3, 4, 4], [ 3, 3, 4, 4]], [[ 5, 5, 6, 6], [ 5, 5, 6, 6], [ 7, 7, 8, 8], [ 7, 7, 8, 8]], [[ 9, 9, 10, 10], [ 9, 9, 10, 10], [11, 11, 12, 12], [11, 11, 12, 12]]]]) ``` 这里我们将输入张量 `input` 上采样到了大小为 `(4, 4)`，并且指定了插值模式为最近邻插值。
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

两只蜡笔的小新

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