Pytorch之上/下采样函数torch.nn.functional.interpolate插值详解

更新时间：2025年04月16日 09:31:12 作者：Yuezero_

这篇文章主要介绍了Pytorch之上/下采样函数torch.nn.functional.interpolate插值,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教

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

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

这个函数是用来上采样或下采样tensor的空间维度(h,w)：

input_tensor支持输入3D (b, c, w)或(batch,seq_len,dim)、4D (b, c, h, w)、5D (b, c, f, h, w)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。

size是目标tensor的(w)/(h,w)/(f,h,w)的形状；scale_factor是采样tensor的saptial shape(w)/(h,w)/(f,h,w)的缩放系数，size和scale_factor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size或者scale_factor是list序列，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mode可选：最近邻(nearest, 默认)、线性(linear, 3D-only)、双线性(bilinear, 4D-only)、三线性(trilinear, 5D-only)等等。

是否align_corners对齐角点：可选的bool值，如果 align_corners=True，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 mode=linear, bilinear, trilinear 有作用. 默认是 False。一图看懂align_corners=True与False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：

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

1. upsample/downsample 3D tensor

# interpolate 3D tensor
x = torch.randn([b, c, w])
## downsample to (b, c, w/2)
y0 = F.interpolate(x, scale_factor=0.5, mode='nearest')
y1 = F.interpolate(x, size=[w//2], mode='nearest')
y2 = F.interpolate(x, scale_factor=0.5, mode='linear')  # only 3D
y3 = F.interpolate(x, size=[w//2], mode='linear')  # only 3D
print(y0.shape, y1.shape, y2.shape, y3.shape)
# torch.Size([1, 3, 32]) torch.Size([1, 3, 32]) torch.Size([1, 3, 32]) torch.Size([1, 3, 32])

## upsample to (b, c, w*2)
y0 = F.interpolate(x, scale_factor=2, mode='nearest')
y1 = F.interpolate(x, size=[w*2], mode='nearest')
y2 = F.interpolate(x, scale_factor=2, mode='linear')  # only 3D
y3 = F.interpolate(x, size=[w*2], mode='linear')  # only 3D
print(y0.shape, y1.shape, y2.shape, y3.shape)
# torch.Size([1, 3, 128]) torch.Size([1, 3, 128]) torch.Size([1, 3, 128]) torch.Size([1, 3, 128])

2. upsample/downsample 4D tensor

# interpolate 4D tensor
x = torch.randn(b, c, h, w)
## downsample to (b, c, h/2, w/2)
y0 = F.interpolate(x, scale_factor=0.5, mode='nearest')
y1 = F.interpolate(x, size=[h//2, w//2], mode='nearest')
y2 = F.interpolate(x, scale_factor=0.5, mode='bilinear')  # only 4D
y3 = F.interpolate(x, size=[h//2, w//2], mode='bilinear')  # only 4D
print(y0.shape, y1.shape, y2.shape, y3.shape)
# torch.Size([1, 3, 32, 32]) torch.Size([1, 3, 32, 32]) torch.Size([1, 3, 32, 32]) torch.Size([1, 3, 32, 32])

## upsample to (b, c, h*2, w*2)
y0 = F.interpolate(x, scale_factor=2, mode='nearest')
y1 = F.interpolate(x, size=[h*2, w*2], mode='nearest')
y2 = F.interpolate(x, scale_factor=2, mode='bilinear')  # only 4D
y3 = F.interpolate(x, size=[h*2, w*2], mode='bilinear')  # only 4D
print(y0.shape, y1.shape, y2.shape, y3.shape)
# torch.Size([1, 3, 128, 128]) torch.Size([1, 3, 128, 128]) torch.Size([1, 3, 128, 128]) torch.Size([1, 3, 128, 128])

3. upsample/downsample 5D tensor

# interpolate 5D tensor
x = torch.randn(b, c, f, h, w)
## downsample to (b, c, f/2, h/2, w/2)
y0 = F.interpolate(x, scale_factor=0.5, mode='nearest')
y1 = F.interpolate(x, size=[f//2, h//2, w//2], mode='nearest')
y2 = F.interpolate(x, scale_factor=2, mode='trilinear')  # only 5D
y3 = F.interpolate(x, size=[f//2, h//2, w//2], mode='trilinear')  # only 5D
print(y0.shape, y1.shape, y2.shape, y3.shape)
# 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])

## upsample to (b, c, f*2, h*2, w*2)
y0 = F.interpolate(x, scale_factor=2, mode='nearest')
y1 = F.interpolate(x, size=[f*2, h*2, w*2], mode='nearest')
y2 = F.interpolate(x, scale_factor=2, mode='trilinear')  # only 5D
y3 = F.interpolate(x, size=[f*2, h*2, w*2], mode='trilinear')  # only 5D
print(y0.shape, y1.shape, y2.shape, y3.shape)
# 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])

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。

您可能感兴趣的文章:

Python Opencv实战之文字检测OCR
这篇文章主要为大家详细介绍了如何利用Python Opencv实现文字检测OCR功能，文中的示例代码讲解详细，具有一定的借鉴价值，需要的可以参考一下
2022-08-08
python实现哈希表
介绍一个用python实现的哈希表，处理冲突的方法是开放地址法，冲突表达式为Hi=（H（key）+1）mod m，m为表长。迟点再实现更难的拉链法
2014-02-02
TensorFlow中关于tf.app.flags命令行参数解析模块
这篇文章主要介绍了TensorFlow中关于tf.app.flags命令行参数解析模块，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
2022-11-11
如何使用python socket模块实现简单的文件下载
这篇文章主要介绍了如何使用python socket模块实现简单的文件下载，帮助大家更好的理解和学习python，感兴趣的朋友可以了解下
2020-09-09
keras打印loss对权重的导数方式
这篇文章主要介绍了keras打印loss对权重的导数方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-06-06
pytorch 中forward 的用法与解释说明
这篇文章主要介绍了pytorch 中forward 的用法与解释说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-02-02
python安装virtualenv虚拟环境步骤图文详解
这篇文章主要介绍了python安装virtualenv虚拟环境步骤，本文通过图文并茂的形式给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
2019-09-09
Python使用MYSQLDB实现从数据库中导出XML文件的方法
这篇文章主要介绍了Python使用MYSQLDB实现从数据库中导出XML文件的方法,涉及Python使用MYSQLDB操作数据库及XML文件的相关技巧,需要的朋友可以参考下
2015-05-05
Python eval()函数和ast.literal_eval()的区别你知道吗
这篇文章主要为大家详细介绍了Python eval()函数和ast.literal_eval()的区，文中图片代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助
2022-02-02
Python NumPy灰度图像的压缩原理讲解
在本篇文章里小编给大家整理的是一篇关于Python NumPy灰度图像的压缩原理讲解内容，有兴趣的朋友们可以学习参考下。
2021-08-08