快捷方式

上采样

class torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None)[source]

对给定的多通道 1D(时间)、2D(空间)或 3D(体积)数据进行上采样。

假定输入数据的形式为 minibatch x channels x [optional depth] x [optional height] x width。因此,对于空间输入,我们期望一个 4D 张量,对于体积输入,我们期望一个 5D 张量。

可用于上采样的算法有最近邻和线性、双线性、双三次和三线性,分别对应 3D、4D 和 5D 输入张量。

您可以给出 scale_factor 或目标输出 size 来计算输出大小。(您不能同时给出两者,因为这模棱两可)

参数
  • size (intTuple[int] 或 Tuple[int, int] 或 Tuple[int, int, int], 可选) – 输出空间大小

  • scale_factor (floatTuple[float] 或 Tuple[float, float] 或 Tuple[float, float, float], 可选) – 空间大小的乘数。如果它是一个元组,则必须与输入大小匹配。

  • mode (str, 可选) – 上采样算法:'nearest''linear''bilinear''bicubic''trilinear' 之一。默认:'nearest'

  • align_corners (bool, 可选) – 如果为 True,则对齐输入和输出张量的角像素,从而保留这些像素的值。当 mode'linear''bilinear''bicubic''trilinear' 时,此操作才会生效。默认:False

  • recompute_scale_factor (bool, 可选) – 重新计算 scale_factor 以用于插值计算。如果 recompute_scale_factorTrue,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 将用于推断用于插值的新的比例因子。请注意,当 scale_factor 为浮点数时,它可能与重新计算的 scale_factor 不同,因为存在舍入和精度问题。如果 recompute_scale_factorFalse,则将直接使用 sizescale_factor 进行插值。

形状
  • 输入:(N,C,Win)(N, C, W_{in}), (N,C,Hin,Win)(N, C, H_{in}, W_{in})(N,C,Din,Hin,Win)(N, C, D_{in}, H_{in}, W_{in})

  • 输出:(N,C,Wout)(N, C, W_{out}), (N,C,Hout,Wout)(N, C, H_{out}, W_{out})(N,C,Dout,Hout,Wout)(N, C, D_{out}, H_{out}, W_{out}), 其中

Dout=Din×scale_factorD_{out} = \left\lfloor D_{in} \times \text{scale\_factor} \right\rfloor
Hout=Hin×scale_factorH_{out} = \left\lfloor H_{in} \times \text{scale\_factor} \right\rfloor
Wout=Win×scale_factorW_{out} = \left\lfloor W_{in} \times \text{scale\_factor} \right\rfloor

警告

align_corners = True 时,线性插值模式(linearbilinearbicubictrilinear)不会按比例对齐输出和输入像素,因此输出值可能取决于输入大小。 这是这些模式在 0.3.1 版本之前默认的行为。 从那时起,默认行为是 align_corners = False。 请参见下面的具体示例,了解这将如何影响输出。

注意

如果需要降采样/一般调整大小,应该使用 interpolate()

示例

>>> input = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 2, 2)
>>> input
tensor([[[[1., 2.],
          [3., 4.]]]])

>>> m = nn.Upsample(scale_factor=2, mode='nearest')
>>> m(input)
tensor([[[[1., 1., 2., 2.],
          [1., 1., 2., 2.],
          [3., 3., 4., 4.],
          [3., 3., 4., 4.]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear')  # align_corners=False
>>> m(input)
tensor([[[[1.0000, 1.2500, 1.7500, 2.0000],
          [1.5000, 1.7500, 2.2500, 2.5000],
          [2.5000, 2.7500, 3.2500, 3.5000],
          [3.0000, 3.2500, 3.7500, 4.0000]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
>>> m(input)
tensor([[[[1.0000, 1.3333, 1.6667, 2.0000],
          [1.6667, 2.0000, 2.3333, 2.6667],
          [2.3333, 2.6667, 3.0000, 3.3333],
          [3.0000, 3.3333, 3.6667, 4.0000]]]])

>>> # Try scaling the same data in a larger tensor
>>> input_3x3 = torch.zeros(3, 3).view(1, 1, 3, 3)
>>> input_3x3[:, :, :2, :2].copy_(input)
tensor([[[[1., 2.],
          [3., 4.]]]])
>>> input_3x3
tensor([[[[1., 2., 0.],
          [3., 4., 0.],
          [0., 0., 0.]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear')  # align_corners=False
>>> # Notice that values in top left corner are the same with the small input (except at boundary)
>>> m(input_3x3)
tensor([[[[1.0000, 1.2500, 1.7500, 1.5000, 0.5000, 0.0000],
          [1.5000, 1.7500, 2.2500, 1.8750, 0.6250, 0.0000],
          [2.5000, 2.7500, 3.2500, 2.6250, 0.8750, 0.0000],
          [2.2500, 2.4375, 2.8125, 2.2500, 0.7500, 0.0000],
          [0.7500, 0.8125, 0.9375, 0.7500, 0.2500, 0.0000],
          [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
>>> # Notice that values in top left corner are now changed
>>> m(input_3x3)
tensor([[[[1.0000, 1.4000, 1.8000, 1.6000, 0.8000, 0.0000],
          [1.8000, 2.2000, 2.6000, 2.2400, 1.1200, 0.0000],
          [2.6000, 3.0000, 3.4000, 2.8800, 1.4400, 0.0000],
          [2.4000, 2.7200, 3.0400, 2.5600, 1.2800, 0.0000],
          [1.2000, 1.3600, 1.5200, 1.2800, 0.6400, 0.0000],
          [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]]]])

文档

访问 PyTorch 的全面开发人员文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源