torch.nn.functional.affine_grid

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

根据一批仿射矩阵生成 2D 或 3D 流场（采样网格） theta 。

注意

此函数常与 grid_sample() 结合使用，以构建空间变换网络。

参数:

• theta (Tensor) – 输入仿射矩阵的批次，形状为 ( $N \times 2 \times 3$ ) 用于 2D 或 ( $N \times 3 \times 4$ ) 用于 3D

• size (torch.Size) – 目标输出图像大小。( $N \times C \times H \times W$ 用于 2D 或 $N \times C \times D \times H \times W$ 用于 3D) 示例：torch.Size((32, 3, 24, 24))

• align_corners (bool, optional) – 如果 True ，则将 -1 和 1 视为角落像素的中心，而不是图像的角落。有关更完整的描述，请参阅 grid_sample() 。应使用与该选项相同的设置将 affine_grid() 生成的网格传递给 grid_sample() 。默认： False

返回值:

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

返回类型:

输出（张量）

警告

当 align_corners = True 时，网格位置取决于像素大小与输入图像大小的相对关系，因此 grid_sample() 采样的位置会因不同分辨率（即上采样或下采样后）的相同输入而有所不同。截至版本 1.2.0 的默认行为是 align_corners = True 。从那时起，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 数据执行 2D 仿射变换和对 2D 数据执行 3D 仿射变换（即当其中一个空间维度具有单位大小时）是未定义的，并且不是预期用例。当 align_corners = False 时这不是问题。截至版本 1.2.0，所有沿单位维度的网格点都被任意地认为是 -1 。从版本 1.3.0 开始，在 align_corners = True 下，所有沿单位维度的网格点都被认为是 0 （输入图像的中心）。