torch.nn.functional.affine_grid

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

生成二维或三维的采样网格（flow field），输入为仿射矩阵批次 theta。

注意

此函数通常与 grid_sample() 结合使用，以构建 空间变换网络。

参数

• theta (Tensor) – 输入的仿射矩阵批次，形状为 ($N \times 2 \times 3$) （用于二维）或 ($N \times 3 \times 4$) （用于三维）。

• size (torch.Size) – 目标输出图像尺寸。对于二维，形状为 ($N \times C \times H \times W$；对于三维，形状为 $N \times C \times D \times H \times W$）。例如：torch.Size((32, 3, 24, 24))

• align_corners (bool, optional) – 如果为 True，则将 -1 和 1 视为角像素的中心，而不是图像的角。有关更多描述，请参阅 grid_sample()。应将 affine_grid() 生成的网格与此选项相同的设置一起传递给 grid_sample()。默认为 False。

返回

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

返回类型

输出（Tensor）

警告

当align_corners = True时，网格位置取决于像素大小相对于输入图像大小，因此对于在不同分辨率（即经过上采样或下采样后）提供的相同输入，grid_sample()采样的位置将不同。在1.2.0版本之前的默认行为是align_corners = True。此后，为了与interpolate()的默认行为保持一致，默认行为已更改为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，当一个空间维度的大小为单位时）是定义不明确的，并且不是预期的使用场景。当align_corners = False时，这不是问题。在1.2.0版本之前，单位维度上的所有网格点被任意地视为-1。从1.3.0版本开始，在align_corners = True下，单位维度上的所有网格点被视为0（输入图像的中心）。