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)[源代码]

对输入进行降采样和升采样。

将张量插值到给定的 size 或者给定的 scale_factor

mode 决定了用于插值的算法。

目前支持时序、空间和体积采样，输入的数据可以是三维、四维或五维的。

输入维度的解释格式为：小批量 x 通道数 x [可选深度] x [可选高度] x 宽度。

可用的缩放模式包括：nearest，linear（仅限3D），bilinear，bicubic（仅限4D），trilinear（仅限5D），area，以及nearest-exact

参数

输入 (Tensor) – 输入的张量
size (int 或 Tuple[int] 或 Tuple[int, int] 或 Tuple[int, int, int]) – 输出的空间大小。
scale_factor (float 或 Tuple[float]) – 空间尺寸的缩放因子。如果 scale_factor 是一个元组，则其长度必须与空间维度的数量相匹配；即 input.dim() - 2。
mode (str) – 上采样使用的算法： 'nearest' | 'linear' | 'bilinear' | 'bicubic' | 'trilinear' | 'area' | 'nearest-exact'。默认值：'nearest'
align_corners (bool, optional) – 从几何角度来看，我们将输入和输出的像素视为正方形而非点。如果设置为True，则输入和输出张量通过其角像素中心点对齐，并保留角像素值。若设置为False，则输入和输出张量通过其角像素角落点对齐，并且插值使用边缘值填充超出边界的值，使得当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'时有效。默认值： False
recompute_scale_factor (bool, 可选) – 是否重新计算用于插值的 scale_factor。如果设置为 True，则需要提供 scale_factor 并用它来计算输出尺寸 size。新的输出尺寸将用来推断插值的新比例。需要注意的是，当 scale_factor 是浮点数时，由于舍入和精度问题，可能会与重新计算的 scale_factor 不一致。如果设置为 False，则直接使用提供的 size 或 scale_factor 进行插值操作。默认值： None。
antialias (bool, optional) – 是否应用抗锯齿。默认值：False。当与align_corners=False一起使用时，插值结果将匹配Pillow的下采样操作的结果。支持的模式包括：'bilinear'和'bicubic'。

返回类型

Tensor

注意

使用mode='bicubic'可能会导致过冲，即生成负值或大于255的值。如果你想在显示图像时减少这种过冲，请显式调用result.clamp(min=0, max=255)。

注意

模式 mode='nearest-exact' 与 Scikit-Image 和 PIL 的最近邻插值算法匹配，并修复了 mode='nearest' 模式中存在的问题。此模式的引入是为了保持向后兼容性。而模式 mode='nearest' 则匹配有缺陷的 OpenCV 的 INTER_NEAREST 插值算法。

注意

当使用模式['linear', 'bilinear', 'bicubic', 'trilinear', 'area']时，数据类型为float16的CUDA上采样操作中的梯度可能不准确。更多详情，请参阅issue#104157。

注意