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。

1.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

2.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'.

3.Note

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

4.下采样操作

from functools import partial
class test(nn.Module):
      # 
      def __init__(self,in_ch,out_ch,scale_factor=0.5):
          super(test, self).__init__()
            #在搭建网络的类里面初始化
            self.downsample = partial(F.interpolate,scale_factor=scale_factor,      mode='area',recompute_scale_factor=True)
            # 注意关键字scale_factor 要与 recompute_scale_factor 搭配使用
 
      def forward(self, x):
          x = self.downsample(x)
          return x

# .../lib/python3.9/site-packages/torch/nn/functional.py:3502:
# UserWarning: The default behavior for interpolate/upsample with float scale_factor changed in 1.6.0 to align with other frameworks/libraries,and now uses scale_factor directly, instead of relying on the computed output size. If you wish to restore the old behavior,please set recompute_scale_factor=True. See the documentation of nn.Upsample for details.