上采样 ¶

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

上采样给定的多通道 1D（时间），2D（空间）或 3D（体积）数据。

输入数据假定形式为批处理 x 通道 x [可选深度] x [可选高度] x 宽度。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，对于 3D、4D 和 5D 输入张量，分别有双线性、双三次和三线性。

可以提供 scale_factor 或目标输出 size 来计算输出大小。（不能同时提供两者，因为这会导致歧义）

参数:

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

• scale_factor (float 或 Tuple[float] 或 Tuple[float, float] 或 Tuple[float, float, float]，可选) – 空间尺寸的乘数。如果是一个元组，必须与输入尺寸匹配。

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

• align_corners (bool，可选) – 如果是 True ，则输入和输出张量的角像素对齐，从而保留这些像素的值。这仅在 mode 是 'linear' 、 'bilinear' 、 'bicubic' 或 'trilinear' 时有效。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_factor 是 True ，则必须传入 scale_factor，并使用 scale_factor 计算输出尺寸。计算出的输出尺寸将用于推断新的插值尺度。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 是 False ，则直接使用 size 或 scale_factor 进行插值。

形状：

• 输入： $(N, C, W_{in})$ ， $(N, C, H_{in}, W_{in})$ 或 $(N, C, D_{in}, H_{in}, W_{in})$

• 输出： $(N, C, W_{out})$ ， $(N, C, H_{out}, W_{out})$ 或 $(N, C, D_{out}, H_{out}, W_{out})$ ，其中

$$D_{out} = \left\lfloor D_{in} \times \text{scale\_factor} \right\rfloor$$

$$H_{out} = \left\lfloor H_{in} \times \text{scale\_factor} \right\rfloor$$

$$W_{out} = \left\lfloor W_{in} \times \text{scale\_factor} \right\rfloor$$

警告

使用 align_corners = True 时，线性插值模式（线性、双线性、双三次和三线性）不会成比例地对齐输出和输入像素，因此输出值可能取决于输入大小。这些模式在版本 0.3.1 之前是默认行为。从那时起，默认行为是 align_corners = False 。下面将具体说明这如何影响输出。

注意

如果您想要下采样/通用缩放，应使用 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]]]])