torch.nn.functional.affine_grid

torch.nn.functional.affine_grid(theta, size, align_corners=None)

給定一批仿射矩陣 theta，產生 2D 或 3D 的流場（取樣網格）。

注意

此函數常與 grid_sample() 結合使用，以建構 空間轉換網路。

參數

• theta (Tensor) – 輸入的仿射矩陣批次，形狀為 2D 的 ($N \times 2 \times 3$) 或 3D 的 ($N \times 3 \times 4$)

• size (torch.Size) – 目標輸出影像大小。(2D 的 $N \times C \times H \times W$ 或 3D 的 $N \times C \times D \times H \times W$) 例如：torch.Size((32, 3, 24, 24))

• align_corners (bool, optional) – 如果 True，則考慮 -1 和 1 指的是角像素的中心，而不是影像的角。有關更完整的說明，請參閱 grid_sample()。由 affine_grid() 產生的網格應傳遞給 grid_sample()，且此選項的設定相同。預設值：False

回傳

大小為 ($N \times H \times W \times 2$) 的輸出 Tensor

回傳類型

output (Tensor)

警告

當 align_corners = True 時，網格位置取決於像素大小相對於輸入圖像大小，因此對於以不同解析度（也就是在經過向上取樣或向下取樣後）提供的相同輸入，由 grid_sample() 取樣的位置將會不同。 在 1.2.0 版本之前，預設行為是 align_corners = True。 從那時起，為了與 interpolate() 的預設行為保持一致，預設行為已更改為 align_corners = False。

警告

當 align_corners = True 時，對 1D 資料進行 2D 仿射變換，以及對 2D 資料進行 3D 仿射變換（也就是，當其中一個空間維度的大小為單位大小時）是不明確的，也不是預期的使用案例。當 align_corners = False 時，這不是問題。在 1.2.0 版本之前，沿著單位維度的所有網格點都被任意地認為是在 -1。從 1.3.0 版本開始，在 align_corners = True 下，沿著單位維度的所有網格點都被認為是在 0（輸入影像的中心）。