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)

对输入进行下采样/上采样。

张量插值到给定的 size 或给定的 scale_factor

用于插值的算法由mode决定。

目前支持时间、空间和体积采样，即预期的输入是3维、4维或5维形状。

输入维度被解释为以下形式： 迷你批次 x 通道 x [可选深度] x [可选高度] x 宽度。

可用的调整大小模式有：最近邻、线性（仅限3D）、双线性、双三次（仅限4D）、三线性（仅限5D）、区域、精确最近邻

Parameters

• 输入 (张量) – 输入张量

• 大小 (整数 或 元组[整数] 或 元组[整数, 整数] 或 元组[整数, 整数, 整数]) – 输出空间大小。

• scale_factor (float 或 Tuple[float]) – 空间大小的乘数。如果 scale_factor 是一个元组，其长度必须与空间维度的数量匹配；input.dim() - 2。

• 模式 (字符串) – 用于上采样的算法： 'nearest' | 'linear' | 'bilinear' | 'bicubic' | 'trilinear' | 'area' | 'nearest-exact'。默认值：'nearest'

• align_corners (布尔值, 可选) – 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，输入和输出张量通过其角像素的中心点对齐，保留角像素的值。 如果设置为 False，输入和输出张量通过其角像素的角点对齐，并且插值使用边缘值填充边界外的值，使得此操作在保持 scale_factor 相同的情况下与输入大小无关。这仅在 mode 为 'linear'、'bilinear'、'bicubic' 或 'trilinear' 时有效。 默认值: False

• recompute_scale_factor (bool, 可选) – 重新计算用于插值计算的 scale_factor。如果 recompute_scale_factor 是 True，则必须传入 scale_factor，并且 scale_factor 用于计算输出 size。计算出的输出 size 将用于推断插值的新比例。请注意，当 scale_factor 为浮点数时，由于舍入和精度问题，它可能与重新计算的 scale_factor 不同。如果 recompute_scale_factor 是 False，则 size 或 scale_factor 将直接用于插值。默认值：None。

• antialias (bool, 可选) – 应用抗锯齿的标志。默认值：False。使用抗锯齿选项与align_corners=False一起，插值结果将与Pillow的缩小操作结果匹配。支持的模式：'bilinear'，'bicubic'。

Return type

张量

注意

使用 mode='bicubic' 时，可能会导致过冲，换句话说，它可能会产生小于0或大于255的值。如果您希望在显示图像时减少过冲，可以显式调用 result.clamp(min=0, max=255)。

注意

模式 mode='nearest-exact' 匹配 Scikit-Image 和 PIL 最近邻插值算法，并修复了已知的 mode='nearest' 问题。此模式是为了保持向后兼容性而引入的。 模式 mode='nearest' 匹配有问题的 OpenCV 的 INTER_NEAREST 插值算法。

注意

在CUDA上使用模式 ['linear', 'bilinear', 'bicubic', 'trilinear', 'area'] 进行上采样操作时， float16 数据类型的梯度可能会不准确。 更多详情请参考 issue#104157 中的讨论。

注意

当在CUDA设备上给定张量时，此操作可能会产生不确定的梯度。更多信息请参见可重复性。