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，以构建 空间变换网络 (Spatial Transformer Networks)。

参数

• theta (Tensor) – 输入的仿射矩阵批次，其形状对于 2D 为 ($N \times 2 \times 3$)，对于 3D 为 ($N \times 3 \times 4$)

• size (torch.Size) – 目标输出图像尺寸。对于 2D 为 ($N \times C \times H \times W$)，对于 3D 为 $N \times C \times D \times H \times W$) 示例: 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，而非图像的角点。更完整的描述请参考 grid_sample()。由 affine_grid() 生成的网格应与此选项的相同设置一起传递给 grid_sample()。默认值: False

返回值

大小为 ($N \times H \times W \times 2$) 的输出 Tensor

返回值类型

output (Tensor)

警告

当 align_corners = True 时，网格位置取决于像素尺寸相对于输入图像尺寸的大小，因此对于不同分辨率（即经过上采样或下采样）的相同输入，grid_sample() 采样到的位置将不同。直到 1.2.0 版本，默认行为是 align_corners = True。自此之后，默认行为已更改为 align_corners = False，以便与 interpolate() 的默认行为保持一致。

警告

当 align_corners = True 时，对 1D 数据进行 2D 仿射变换以及对 2D 数据进行 3D 仿射变换（即当一个空间维度尺寸为 1 时）是未明确定义的，并非预期用例。当 align_corners = False 时则没有此问题。直到 1.2.0 版本，沿尺寸为 1 的维度上的所有网格点都被任意视为位于 -1 处。从 1.3.0 版本开始，在 align_corners = True 的设置下，沿尺寸为 1 的维度上的所有网格点都被视为位于 0 处（即输入图像的中心）。