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)

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

用于插值的算法由 mode 确定。

目前支持时间、空间和体积采样，即预期输入的形状为 3D、4D 或 5D。

输入维度以以下形式解释：mini-batch x channels x [可选深度] x [可选高度] x 宽度。

可用于调整大小的模式有：nearest、linear（仅限 3D）、bilinear、bicubic（仅限 4D）、trilinear（仅限 5D）、area、nearest-exact

参数

• input (张量) – 输入张量

• size (int 或 元组[int] 或 元组[int, int] 或 元组[int, int, int]) – 输出空间大小。

• scale_factor (float 或 元组[float]) – 空间大小的乘数。如果 scale_factor 是一个元组，则其长度必须与空间维度的数量匹配；input.dim() - 2。

• mode (str) – 用于上采样的算法：'nearest' | 'linear' | 'bilinear' | 'bicubic' | 'trilinear' | 'area' | 'nearest-exact'。默认值：'nearest'

• align_corners (bool, 可选) – 从几何上讲，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，并且插值对超出边界的值使用边缘值填充，这使得此操作在 scale_factor 保持不变时独立于输入大小。这仅在 mode 为 'linear'、'bilinear'、'bicubic' 或 'trilinear' 时有效。默认值：False

• recompute_scale_factor (bool, 可选) – 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 为浮点数时，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。默认值：None。

• antialias (bool, 可选) – 应用抗锯齿的标志。默认值：False。将抗锯齿选项与 align_corners=False 一起使用时，插值结果将与 Pillow 在下采样操作中的结果匹配。支持的模式：'bilinear'，'bicubic'。

返回类型

张量

注意

使用 mode='bicubic' 时，可能会导致过冲，换句话说，它可能会为图像生成负值或大于 255 的值。如果您希望在显示图像时减少过冲，请显式调用 result.clamp(min=0, max=255)。

注意

模式 mode='nearest-exact' 与 Scikit-Image 和 PIL 最近邻插值算法匹配，并修复了 mode='nearest' 的已知问题。引入此模式是为了保持向后兼容性。模式 mode='nearest' 与有问题的 OpenCV 的 INTER_NEAREST 插值算法匹配。

注意

在使用模式 ['linear', 'bilinear', 'bicubic', 'trilinear', 'area'] 时，CUDA 上数据类型 float16 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

当在 CUDA 设备上给出张量时，此操作可能会产生不确定的梯度。有关更多信息，请参阅 可重复性。