torch.nn.functional.affine_grid

torch.nn.functional.affine_grid(theta, size, align_corners=None)

给定一批仿射矩阵 theta，生成 2D 或 3D 流场（采样网格）。

注意

此函数通常与 grid_sample() 结合使用来构建 空间变换网络。

参数

• theta (Tensor) – 输入的仿射矩阵批次，形状为 ($N \times 2 \times 3$) 用于 2D，或 ($N \times 3 \times 4$) 用于 3D

• size (torch.Size) – 目标输出图像大小。 ($N \times C \times H \times W$) 用于 2D，或 $N \times C \times D \times H \times W$) 用于 3D) 示例：torch.Size((32, 3, 24, 24))

• align_corners (bool, optional) – 如果 True，则将 -1 和 1 视为像素角点的中心而不是图像的角点。有关更完整的描述，请参阅 grid_sample()。由 affine_grid() 生成的网格应以相同的选项设置传递给 grid_sample()。默认为 False

返回

输出 Tensor，形状为 ($N \times H \times W \times 2$)

返回类型

output (Tensor)

警告

当 align_corners = True 时，网格位置取决于相对于输入图像大小的像素大小，因此由 grid_sample() 采样的位置对于给定不同分辨率（即经过上采样或下采样后）的相同输入将会不同。直到 1.2.0 版本，默认行为是 align_corners = True。此后，为了与 interpolate() 的默认行为保持一致，已将默认行为更改为 align_corners = False。

警告

当 align_corners = True 时，1D 数据上的 2D 仿射变换和 2D 数据上的 3D 仿射变换（即当一个空间维度大小为 1 时）是不明确的，并且不是预期用途。当 align_corners = False 时，这不是问题。直到 1.2.0 版本，沿单位维度的所有网格点都被任意视为 -1。从 1.3.0 版本开始，在 align_corners = True 下，沿单位维度的所有网格点都被视为 0（输入图像的中心）。