Pytorch上/下采样函数torch.nn.functional.interpolate插值

1. torch.nn.functional.interpolate(input_tensor, size=None, scale_factor=8, mode='bilinear', align_corners=False)
   
2. '''
   
3. Down/up samples the input to either the given size or the given scale_factor
   
4. The algorithm used for interpolation is determined by mode.
   
5. Currently temporal, spatial and volumetric sampling are supported, i.e. expected inputs are 3-D, 4-D or 5-D in shape.
   
6. The input dimensions are interpreted in the form: mini-batch x channels x [optional depth] x [optional height] x width.
   
7. The modes available for resizing are: nearest, linear (3D-only), bilinear, bicubic (4D-only), trilinear (5D-only), area
   
8. '''

复制代码

这个函数是用来

1. 上采样

复制代码

或

1. 下采样

复制代码

tensor的

1. 空间维度(h,w)

复制代码

：

1. input_tensor

复制代码

支持输入3D

1. (b, c, w)或(batch,seq_len,dim)

复制代码

、4D

1. (b, c, h, w)

复制代码

、5D

1. (b, c, f, h, w)

复制代码

的 tensor shape。其中b表示batch_size，c表示channel，f表示frames，h表示height，w表示weight。

1. size

复制代码

是目标tensor的

1. (w)/(h,w)/(f,h,w)

复制代码

的形状；

1. scale_factor

复制代码

是采样tensor的saptial shape

1. (w)/(h,w)/(f,h,w)

复制代码

的缩放系数，

1. size

复制代码

和

1. scale_factor

复制代码

两个参数只能定义一个，具体是上采样，还是下采样根据这两个参数判断。如果

1. size

复制代码

或者

1. scale_factor

复制代码

是

1. list序列

复制代码

，则必须匹配输入的大小。

• 如果输入3D，则它们的序列长度必须是1（只缩放最后1个维度w）。
  
• 如果输入4D，则它们的序列长度必须是2（缩放最后2个维度h,w）。
  
• 如果输入是5D，则它们的序列长度必须是3（缩放最后3个维度f,h,w）。
  

插值算法

1. mode

复制代码

可选：

1. 最近邻(nearest, 默认)

复制代码

、

1. 线性(linear, 3D-only)

复制代码

、

1. 双线性(bilinear, 4D-only)

复制代码

、

1. 三线性(trilinear, 5D-only)

复制代码

等等。
是否

1. align_corners

复制代码

对齐角点：可选的bool值， 如果

1. align_corners=True

复制代码

，则对齐 input 和 output 的角点像素(corner pixels)，保持在角点像素的值. 只会对

1. mode=linear, bilinear, trilinear

复制代码

有作用. 默认是 False。一图看懂

1. align_corners

复制代码

=

1. True

复制代码

与

1. False

复制代码

的区别，从4×4上采样成8×8。
一个是按四角的像素点中心对齐，另一个是按四角的像素角点对齐：

1. import torch
   
2. import torch.nn.functional as F
   
3. b, c, f, h, w = 1, 3, 8, 64, 64

复制代码

1. upsample/downsample 3D tensor

1. # interpolate 3D tensor
   
2. x = torch.randn([b, c, w])
   
3. ## downsample to (b, c, w/2)
   
4. y0 = F.interpolate(x, scale_factor=0.5, mode='nearest')
   
5. y1 = F.interpolate(x, size=[w//2], mode='nearest')
   
6. y2 = F.interpolate(x, scale_factor=0.5, mode='linear')  # only 3D
   
7. y3 = F.interpolate(x, size=[w//2], mode='linear')  # only 3D
   
8. print(y0.shape, y1.shape, y2.shape, y3.shape)
   
9. # torch.Size([1, 3, 32]) torch.Size([1, 3, 32]) torch.Size([1, 3, 32]) torch.Size([1, 3, 32])
   
10. 
    
11. ## upsample to (b, c, w*2)
    
12. y0 = F.interpolate(x, scale_factor=2, mode='nearest')
    
13. y1 = F.interpolate(x, size=[w*2], mode='nearest')
    
14. y2 = F.interpolate(x, scale_factor=2, mode='linear')  # only 3D
    
15. y3 = F.interpolate(x, size=[w*2], mode='linear')  # only 3D
    
16. print(y0.shape, y1.shape, y2.shape, y3.shape)
    
17. # torch.Size([1, 3, 128]) torch.Size([1, 3, 128]) torch.Size([1, 3, 128]) torch.Size([1, 3, 128])

复制代码

2. upsample/downsample 4D tensor

1. # interpolate 4D tensor
   
2. x = torch.randn(b, c, h, w)
   
3. ## downsample to (b, c, h/2, w/2)
   
4. y0 = F.interpolate(x, scale_factor=0.5, mode='nearest')
   
5. y1 = F.interpolate(x, size=[h//2, w//2], mode='nearest')
   
6. y2 = F.interpolate(x, scale_factor=0.5, mode='bilinear')  # only 4D
   
7. y3 = F.interpolate(x, size=[h//2, w//2], mode='bilinear')  # only 4D
   
8. print(y0.shape, y1.shape, y2.shape, y3.shape)
   
9. # torch.Size([1, 3, 32, 32]) torch.Size([1, 3, 32, 32]) torch.Size([1, 3, 32, 32]) torch.Size([1, 3, 32, 32])
   
10. 
    
11. ## upsample to (b, c, h*2, w*2)
    
12. y0 = F.interpolate(x, scale_factor=2, mode='nearest')
    
13. y1 = F.interpolate(x, size=[h*2, w*2], mode='nearest')
    
14. y2 = F.interpolate(x, scale_factor=2, mode='bilinear')  # only 4D
    
15. y3 = F.interpolate(x, size=[h*2, w*2], mode='bilinear')  # only 4D
    
16. print(y0.shape, y1.shape, y2.shape, y3.shape)
    
17. # torch.Size([1, 3, 128, 128]) torch.Size([1, 3, 128, 128]) torch.Size([1, 3, 128, 128]) torch.Size([1, 3, 128, 128])

复制代码

3. upsample/downsample 5D tensor

1. # interpolate 5D tensor
   
2. x = torch.randn(b, c, f, h, w)
   
3. ## downsample to (b, c, f/2, h/2, w/2)
   
4. y0 = F.interpolate(x, scale_factor=0.5, mode='nearest')
   
5. y1 = F.interpolate(x, size=[f//2, h//2, w//2], mode='nearest')
   
6. y2 = F.interpolate(x, scale_factor=2, mode='trilinear')  # only 5D
   
7. y3 = F.interpolate(x, size=[f//2, h//2, w//2], mode='trilinear')  # only 5D
   
8. print(y0.shape, y1.shape, y2.shape, y3.shape)
   
9. # torch.Size([1, 3, 4, 32, 32]) torch.Size([1, 3, 4, 32, 32]) torch.Size([1, 3, 16, 128, 128]) torch.Size([1, 3, 4, 32, 32])
   
10. 
    
11. ## upsample to (b, c, f*2, h*2, w*2)
    
12. y0 = F.interpolate(x, scale_factor=2, mode='nearest')
    
13. y1 = F.interpolate(x, size=[f*2, h*2, w*2], mode='nearest')
    
14. y2 = F.interpolate(x, scale_factor=2, mode='trilinear')  # only 5D
    
15. y3 = F.interpolate(x, size=[f*2, h*2, w*2], mode='trilinear')  # only 5D
    
16. print(y0.shape, y1.shape, y2.shape, y3.shape)
    
17. # torch.Size([1, 3, 16, 128, 128]) torch.Size([1, 3, 16, 128, 128]) torch.Size([1, 3, 16, 128, 128]) torch.Size([1, 3, 16, 128, 128])

复制代码

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。

来源：https://www.jb51.net/python/339694uzg.htm
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！