Pytorch上下采样函数--interpolate()

梦里梦外; 2023-10-04 17:39 38阅读 0赞

### torch.nn.functional.interpolate实现插值和上采样 ###

**上采样：可以使你训练的图片分辨率变成你想要的更大的分辨率**

将输入图片input image进行rescale到一个想要的尺寸，而且计算每个点的像素点，使用如双线性插值bilinear等插值方法对其余点进行插值。

**torch.nn.functional.interpolate(input, size=None, scale\_factor=None, mode='nearest', align\_corners=None)**

**参数：**

input (Tensor)：输入张量

size (int or Tuple\[int\] or Tuple\[int, int\] or Tuple\[int, int, int\]) ：输出大小.

scale\_factor (float or Tuple\[float\]) ：指定输出为输入的多少倍数。如果输入为tuple，其也要制定为tuple类型 ；  **根据给定的size或scale\_factor参数来对输入进行下/上采样**

mode (str) ： 可使用的上采样算法，有’nearest’, ‘linear’, ‘bilinear’, ‘bicubic’ , ‘trilinear’和’area’. 默认使用’nearest； **使用的插值算法取决于参数mode的设置**

**align\_corners** ([bool][]*,* *optional*) ：

几何上，我们认为输入和输出的像素是正方形，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，从而保留角像素处的值。如果设置为False，则输入和输出张量由它们的角像素的角点对齐，插值使用边界外值的边值填充;`当scale_factor保持不变时`，使该操作独立于输入大小。仅当使用的算法为`'linear'`, `'bilinear', 'bilinear'`or `'trilinear'时可以使用。``默认设置为``False`

**注意：**

使用mode='bicubic'时，可能会导致overshoot问题，即它可以为图像生成负值或大于255的值。如果你想在显示图像时减少overshoot问题，可以显式地调用result.clamp(min=0,max=255)。

**示例一：**

import torch.nn.functional as tnf
    
    up2=tnf.interpolate(x, scale_factor=(2, 2), mode='nearest')

**解析：**假设输入x.shape()为 torch.Size(\[1, 64, 40, 40\])

scale\_factor=（2,2）表示分辨率长宽都乘以2--------->>>\[80,80\]

使用的是nearest上采样的方法

最后经过上采样后：up2.shape()为torch.Size(\[1, 64, 80, 80\])

**示例二**

import torch
    from torch import nn
    import torch.nn.functional as F
    input = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 2, 2)
    print(input)

**返回：**input.size() 为torch.size(\[1,1,2,2\])

tensor([[[[1., 2.],
              [3., 4.]]]])

x = F.interpolate(input, scale_factor=2, mode='nearest')
    print(x)

**返回：**

tensor([[[[1., 1., 2., 2.],
              [1., 1., 2., 2.],
              [3., 3., 4., 4.],
              [3., 3., 4., 4.]]]])

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDg4Njg2OQ_size_16_color_FFFFFF_t_70][]

**示例三(size使张量变成你想要的分辨率)**

import torch.nn.functional as tnf
    
    print(P4in.size())                                            #torch.Size([1, 128, 38, 53])
    print(P5in.size())                                            #torch.Size([1, 256, 19, 27])
    
    P5in_P4m = tnf.interpolate(P5in, size=[P4in.size(2), P4in.size(3)], mode="nearest")  # 上采样

**解析：**

size=\[38,53\]: 代表将P5in的分辨率的张量\[19,27 \]-------------->>>>>\[38,53\], 其余的维度不变

最后P5in\_P4m.size() 为\[1,256,38,53\]

**也提供了一些Upsample的方法：**

torch.nn.functional.upsample(input, size=None, scale_factor=None, mode='nearest', align_corners=None)
    
    torch.nn.functional.upsample_nearest(input, size=None, scale_factor=None)
    
    torch.nn.functional.upsample_bilinear(input, size=None, scale_factor=None)

参考博客：

[Pytorch关于torch.nn.functional.interpolate的用法的示例展示\_比比兽卡卡的博客-CSDN博客][Pytorch_torch.nn.functional.interpolate_-CSDN]

[pytorch torch.nn.functional实现插值和上采样 - 慢行厚积 - 博客园][pytorch torch.nn.functional_ - _ -]

[双线性插值(Bilinear Interpolation) - 马语者 - 博客园][Bilinear Interpolation_ - _ -]

[torch.nn.functional.interpolate ‘bilinear‘ 图像理解\_符号看象限\_Wangerer的博客-CSDN博客][torch.nn.functional.interpolate _bilinear_ _Wangerer_-CSDN]

[bool]: https://docs.python.org/3/library/functions.html#bool
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDg4Njg2OQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/ff80dc853c6b4ae5829f3f0f078d671b.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDg4Njg2OQ==,size_16,color_FFFFFF,t_70
[Pytorch_torch.nn.functional.interpolate_-CSDN]: https://blog.csdn.net/weixin_44886869/article/details/119867013
[pytorch torch.nn.functional_ - _ -]: https://www.cnblogs.com/wanghui-garcia/p/11399034.html
[Bilinear Interpolation_ - _ -]: https://www.cnblogs.com/xpvincent/archive/2013/03/15/2961448.html
[torch.nn.functional.interpolate _bilinear_ _Wangerer_-CSDN]: https://blog.csdn.net/weixin_38362784/article/details/119578296