torch.nn.interpolate—torch上采样和下采样操作
前言:
最近博主搭建网络需要用到一些直接对于GPU上的tensor的上采样和下采样操作,如果使用opencv那么就需要先将数据从GPU上面copy到CPU,操作完后在转移到GPU。这样不能利用GPU的加速技术,并且还会导致程序阻塞,pytorch中带有函数interpolate可以实现这个功能,下面详细讲解这个函数的使用。
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)[SOURCE]
**输入尺寸以以下形式解释: 小批量 x 通道 x [可选深度] x [可选高度] x 宽度。
**向下/向上对给定size
或 给定的输入进行采样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,即预期输入的形状是 3-D、4-D 或 5-D。
***可用于调整大小的模式有:(中英文对照)
nearest, linear (3D-only), bilinear, bicubic (4D-only), trilinear (5D-only), area, nearest-exact
最近、线性(仅限 3D)、 双线性、双三次(仅限 4D)、三线性(仅限 5D)、面积、最近精确
Parameters
-
input ( Tensor ) – 输入张量
-
size ( int or Tuple [ int ] or Tuple [ int , int ] or Tuple [ int , int , int ] ) – 输出空间尺寸。
-
scale_factor ( float或Tuple [ float ] ) – 空间大小的乘数。如果scale_factor是一个元组,它的长度必须匹配input.dim()。
-
mode ( str ) – 用于上采样的算法:
'nearest'
|'linear'
|'bilinear'
|'bicubic'
|'trilinear'
|'area'
|'nearest-exact'
. 默认:'nearest'
-
align_corners ( bool , optional ) – 在几何上,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
,则输入和输出张量由其角像素的中心点对齐,保留角像素处的值。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,并且插值对边界外的值使用边缘值填充,使得此操作在保持相同时与输入大小无关。scale_factor
这仅在mode
is'linear'
、或'bilinear'
时有效。默认:'bicubic'
'trilinear'
False
-
recompute_scale_factor ( bool , optional ) – 重新计算 scale_factor 以用于插值计算。如果recompute_scale_factor是
True
,则 必须传入 scale_factor 并且scale_factor用于计算输出大小。计算出的输出大小将用于推断插值的新比例。请注意,当scale_factor为浮点数时,由于舍入和精度问题,它可能与重新计算的scale_factor不同。如果recompute_scale_factor是False
,那么size或scale_factor将直接用于插值。默认值:None
. -
antialias ( bool , optional ) -- 应用抗锯齿的标志。默认值:
False
. 使用 anti-alias 选项和align_corners=False
,插值结果将匹配 Pillow 结果以进行下采样操作。支持的模式:'bilinear'
,'bicubic'
.
重要note:
上采样和想采样的参数设置不一致,不要弄混了
NOTE
使用mode='bicubic'
,可能会导致过冲,换句话说,它可以为图像生成负值或大于 255 的值。如果要减少显示图像时的过冲,请显式调用。result.clamp(min=0, max=255)
NOTE
Modemode='nearest-exact'
匹配 Scikit-Image 和 PIL 最近邻插值算法,并修复了mode='nearest'
. 引入此模式是为了保持向后兼容性。模式mode='nearest'
匹配有缺陷的 OpenCV 的INTER_NEAREST
插值算法。
NOTE
当给定 CUDA 设备上的张量时,此操作可能会产生不确定的梯度。有关详细信息,请参阅重现性。