基本概念
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None, antialias=False)
作用：将输入上采样或降采样到给定的 size 或 scale_factor=
使用的插值算法由 mode 决定，可以选择
-
通用：
area, nearest-exact -
3D：
nearest, linear(3D-only) -
4D：
bilinear, bicubic(4D-only) -
5D：
trilinear(5D-only)
目前支持时间，空间和体积采样（输入是 3-D，4-D，5-D）
输入的数据的维度将会被解释为一下形式：
(mini-batch, channels, depth(optional), height(optional), width)
- 在进行上采样的时候，
mini-batch和channels是不变化的，变化的只有图的大小，最多是后三个维度
参数
-
input-输入tensor
-
size（
int/Tuple[int]/Tuple[int, int]/Tuple[int, int, int]）- 输出的维度-
如果是
int，则认为后面的维度都变化a = torch.ones(2, 2, 2, 2) a = F.interpolate(a, size=3, mode='area') print(a) print(a.shape) >>tensor([[[[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]], [[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]]], [[[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]], [[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]]]]) >>torch.Size([2, 2, 3, 3])
-
-
scale_factor（
float/Tuple[float]）- 输出的 size 变成原来的几倍。如果scale_factor是 tuple，其长度应该和input.dim()一样（就是去掉前两维之后维度的数目）a = torch.ones(2, 2, 2, 2) a = F.interpolate(a, scale_factor=(2, 2), mode='bilinear', align_corners=False) print(a.shape) >>torch.Size([2, 2, 4, 4])- 同样，如果是一个数，就默认除前两维之外都变化
-
align_corners（bool，optional）：几何上，我们认为像素是一个方块而不是一个点。
- True：输入和输出 tensor 将会通过 corner pixels 的中心点来对齐，保留 corner pixels 的值
- Fales：输入和输出 tensors 将会通过 corner pixels 的角点来对齐的
- 默认是 False，只有当
mode=linear, bilinear, bicubic, trilinear时，才能设置 - 从4×4上采样成8×8。一个是按四角的像素角点对齐，另一个是按四角的像素点中心对齐。
图像来源：https://discuss.pytorch.org/t/what-we-should-use-align-corners-false/22663/9
