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)[源代码]#
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插值算法由
mode确定。目前支持时间、空间和体采样，即输入的形状期望为 3D、4D 或 5D。
The input dimensions are interpreted in the form: mini-batch x channels x [optional depth] x [optional height] x width.
可用的重采样模式有：nearest、linear（仅 3D）、bilinear、bicubic（仅 4D）、trilinear（仅 5D）、area、nearest-exact
- 参数
input (Tensor) – 输入张量
size (int 或 Tuple[int] 或 Tuple[int, int] 或 Tuple[int, int, int]) – 输出的空间大小。
scale_factor (float 或 Tuple[float]) – 空间尺寸的乘数。如果 scale_factor 是元组，则其长度必须与空间维度数量匹配；input.dim() - 2。
mode (str) – 上采样使用的算法：
'nearest'|'linear'|'bilinear'|'bicubic'|'trilinear'|'area'|'nearest-exact'。默认：'nearest'align_corners (bool, optional) – 从几何学上讲，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，则输入和输出张量将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，则输入和输出张量将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，使得当scale_factor保持不变时，该操作与输入大小无关。仅当mode是'linear'、'bilinear'、'bicubic'或'trilinear'时才生效。默认：Falserecompute_scale_factor (bool, optional) – 重新计算用于插值计算的
scale_factor。如果 recompute_scale_factor 为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 是浮点数时，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 为False，则 size 或 scale_factor 将直接用于插值。默认：None。antialias (bool, optional) – 应用抗锯齿的标志。默认：
False。将抗锯齿选项与align_corners=False一起使用，插值结果在下采样操作时将与 Pillow 的结果匹配。支持的模式：'bilinear'、'bicubic'。
- 返回类型
注意
使用
mode='bicubic'时，可能会导致过冲。对于某些数据类型，在显示图像时可能会产生负值或大于 255 的值。如果希望减少显示图像时的过冲，请显式调用result.clamp(min=0,max=255)。对于uint8输入，它已经执行了饱和转换操作。因此，不需要手动 clamp 操作。注意
模式
mode='nearest-exact'匹配 Scikit-Image 和 PIL 的最近邻插值算法，并修复了mode='nearest'已知的错误。此模式是为了保持向后兼容性而引入的。模式mode='nearest'匹配有 bug 的 OpenCV 的INTER_NEAREST插值算法。注意
在使用模式
['linear', 'bilinear', 'bicubic', 'trilinear', 'area']时，CUDA 上float16数据类型的梯度在上采样操作中可能不准确。有关更多详细信息，请参阅 issue#104157 中的讨论。注意
此操作在使用 CUDA 设备上的张量时可能会产生非确定性梯度。有关更多信息，请参阅 可复现性。
