Python PyTorch Upsample用法及代码示例

本文简要介绍python语言中 torch.nn.Upsample 的用法。

用法:

class torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None)

参数：

• size(int或者元组[int] 或者元组[int,int] 或者元组[int,int,int],可选的) - 输出空间大小

• scale_factor(float或者元组[float] 或者元组[float,float] 或者元组[float,float,float],可选的) - 空间大小的乘数。如果它是元组，则必须匹配输入大小。

• mode(str,可选的) -上采样算法：'nearest'、'linear'、'bilinear'、'bicubic'和'trilinear'之一。默认值：'nearest'

• align_corners(bool,可选的) -如果 True ，输入和输出张量的角像素对齐，从而保留这些像素的值。这仅在 mode 为 'linear' 、 'bilinear' 或 'trilinear' 时有效。默认值：False

对给定的多通道 1D(时间)、2D(空间)或 3D(体积)数据进行上采样。

假设输入数据的形式为minibatch x channels x [optional depth] x [optional height] x width.因此，对于空间输入，我们期待 4D 张量，对于体积输入，我们期待 5D 张量。

可用于上采样的算法分别是 3D、4D 和 5D 输入张量的最近邻和线性、双线性、双三次和三线性。

可以给出scale_factor 或目标输出size 来计算输出大小。 (你不能同时给出，因为它是模棱两可的)

形状：

• 输入：(N, C, W_{in})、(N, C, H_{in}, W_{in}) 或 (N, C, D_{in}, H_{in}, W_{in})

• 输出：(N, C, W_{out})、(N, C, H_{out}, W_{out}) 或 (N, C, D_{out}, H_{out}, W_{out})，其中

D_{out} = \left\lfloor D_{in} \times \text{scale\_factor} \right\rfloor

H_{out} = \left\lfloor H_{in} \times \text{scale\_factor} \right\rfloor

W_{out} = \left\lfloor W_{in} \times \text{scale\_factor} \right\rfloor

警告

对于 align_corners = True ，线性插值模式( linear 、 bilinear 、 bicubic 和 trilinear )不会按比例对齐输出和输入像素，因此输出值可能取决于输入大小。这是 0.3.1 之前这些模式的默认行为。从那时起，默认行为是 align_corners = False 。有关这如何影响输出的具体示例，请参见下文。

注意

如果你想要下采样/一般调整大小，你应该使用 interpolate() 。

例子：

>>> input = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 2, 2)
>>> input
tensor([[[[ 1.,  2.],
          [ 3.,  4.]]]])

>>> m = nn.Upsample(scale_factor=2, mode='nearest')
>>> m(input)
tensor([[[[ 1.,  1.,  2.,  2.],
          [ 1.,  1.,  2.,  2.],
          [ 3.,  3.,  4.,  4.],
          [ 3.,  3.,  4.,  4.]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear')  # align_corners=False
>>> m(input)
tensor([[[[ 1.0000,  1.2500,  1.7500,  2.0000],
          [ 1.5000,  1.7500,  2.2500,  2.5000],
          [ 2.5000,  2.7500,  3.2500,  3.5000],
          [ 3.0000,  3.2500,  3.7500,  4.0000]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
>>> m(input)
tensor([[[[ 1.0000,  1.3333,  1.6667,  2.0000],
          [ 1.6667,  2.0000,  2.3333,  2.6667],
          [ 2.3333,  2.6667,  3.0000,  3.3333],
          [ 3.0000,  3.3333,  3.6667,  4.0000]]]])

>>> # Try scaling the same data in a larger tensor
>>>
>>> input_3x3 = torch.zeros(3, 3).view(1, 1, 3, 3)
>>> input_3x3[:, :, :2, :2].copy_(input)
tensor([[[[ 1.,  2.],
          [ 3.,  4.]]]])
>>> input_3x3
tensor([[[[ 1.,  2.,  0.],
          [ 3.,  4.,  0.],
          [ 0.,  0.,  0.]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear')  # align_corners=False
>>> # Notice that values in top left corner are the same with the small input (except at boundary)
>>> m(input_3x3)
tensor([[[[ 1.0000,  1.2500,  1.7500,  1.5000,  0.5000,  0.0000],
          [ 1.5000,  1.7500,  2.2500,  1.8750,  0.6250,  0.0000],
          [ 2.5000,  2.7500,  3.2500,  2.6250,  0.8750,  0.0000],
          [ 2.2500,  2.4375,  2.8125,  2.2500,  0.7500,  0.0000],
          [ 0.7500,  0.8125,  0.9375,  0.7500,  0.2500,  0.0000],
          [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000]]]])

>>> m = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
>>> # Notice that values in top left corner are now changed
>>> m(input_3x3)
tensor([[[[ 1.0000,  1.4000,  1.8000,  1.6000,  0.8000,  0.0000],
          [ 1.8000,  2.2000,  2.6000,  2.2400,  1.1200,  0.0000],
          [ 2.6000,  3.0000,  3.4000,  2.8800,  1.4400,  0.0000],
          [ 2.4000,  2.7200,  3.0400,  2.5600,  1.2800,  0.0000],
          [ 1.2000,  1.3600,  1.5200,  1.2800,  0.6400,  0.0000],
          [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000]]]])