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/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，即期望的输入形状为 3-D、4-D 或 5-D。

输入维度以以下形式解释：批大小 x 通道 x [可选深度] x [可选高度] x 宽度。

可用的缩放模式有：最近邻、线性（仅 3D）、双线性、双三次（仅 4D）、三线性（仅 5D）、面积、最近邻精确

参数:

• 输入（张量）- 输入张量

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

• scale_factor (float 或 Tuple[float]) – 空间尺寸的乘数。如果 scale_factor 是一个元组，其长度必须与空间维数的数量匹配；input.dim() - 2。

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

• align_corners (bool, 可选) – 几何上，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 ，则输入和输出张量通过其角像素的角点对齐，并且插值使用边界值填充超出边界值，当 scale_factor 保持不变时，此操作与输入大小无关。这仅在 mode 为 'linear' ， 'bilinear' ， 'bicubic' 或 'trilinear' 时才有效。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 为 True ，则必须传入 scale_factor 并使用 scale_factor 计算输出大小。计算出的输出大小将用于推断新的插值尺度。注意，当 scale_factor 为浮点数时，由于舍入和精度问题，可能与重新计算的 scale_factor 不同。如果 recompute_scale_factor 为 False ，则直接使用 size 或 scale_factor 进行插值。默认： None 。

• antialias (bool, 可选) – 应用抗锯齿的标志。默认： False 。使用抗锯齿选项与 align_corners=False 一起，插值结果将与 Pillow 的下采样操作结果匹配。支持模式： 'bilinear' ， 'bicubic' 。

返回类型:

张量

注意

使用 mode='bicubic' ，可能会导致溢出，换句话说，它可能会产生负值或大于 255 的值。如果想在显示图像时减少溢出，请显式调用 result.clamp(min=0, max=255) 。

注意

模式 mode='nearest-exact' 与 Scikit-Image 和 PIL 的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。模式 mode='nearest' 与有缺陷的 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 dtype 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 的讨论。

注意

当在 CUDA 设备上给定张量时，此操作可能会产生非确定性的梯度。有关更多信息，请参阅可重现性。