Upsample

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

對給定的多通道 1D (時間序列), 2D (空間) 或 3D (體積) 資料進行升採樣 (upsample)。

輸入資料的格式應為 minibatch x channels x [optional depth] x [optional height] x width。因此，對於空間輸入，我們預期一個 4D 張量，對於體積輸入，我們預期一個 5D 張量。

升採樣可用的演算法包括最鄰近 (nearest neighbor) 以及用於 3D、4D 和 5D 輸入張量的線性 (linear)、雙線性 (bilinear)、雙立方 (bicubic) 和三線性 (trilinear)。

可以給定 scale_factor 或目標輸出 size 來計算輸出大小。（兩者不能同時給定，因為這樣會產生歧義）

參數

• size (int 或 Tuple[int] 或 Tuple[int, int] 或 Tuple[int, int, int], optional) – 輸出空間大小

• scale_factor (float 或 Tuple[float] 或 Tuple[float, float] 或 Tuple[float, float, float], optional) – 空間大小的倍數。如果是一個 tuple，則必須與輸入大小匹配。

• mode (str, optional) – 升採樣演算法：可以是 'nearest'、'linear'、'bilinear'、'bicubic' 和 'trilinear' 之一。預設值：'nearest'

• align_corners (bool, optional) – 如果 True，則輸入和輸出張量的角落像素對齊，從而保留這些像素的值。這僅在 mode 為 'linear'、'bilinear'、'bicubic' 或 'trilinear' 時有效。預設值：False

• recompute_scale_factor (bool, optional) – 重新計算插值計算中使用的 scale_factor。如果 recompute_scale_factor 為 True，則必須傳入 scale_factor，並且 scale_factor 用於計算輸出 size。計算出的輸出 size 將用於推斷插值的新比例。 請注意，當 scale_factor 為浮點數時，由於捨入和精度問題，它可能與重新計算的 scale_factor 不同。 如果 recompute_scale_factor 為 False，則 size 或 scale_factor 將直接用於插值。

形狀

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

• 輸出： $(N, C, W_{out})$、 $(N, C, H_{out}, W_{out})$ 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

當 align_corners = True 時，線性內插模式（linear、bilinear、bicubic 和 trilinear）不會按比例對齊輸出和輸入像素，因此輸出值可能會取決於輸入大小。 這是 0.3.1 版本之前這些模式的預設行為。 從那時起，預設行為變為 align_corners = False。 請參閱下文，了解這如何具體影響輸出。

注意

如果您想要降採樣/通用調整大小，則應使用 interpolate()。

範例

>>> 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]]]])