torch.zeros函数（torch.nn.functional.interpolate()函数详解）

        通常可以使用pytorch中的torch.nn.functional.interpolate()实现插值和上采样 
  
  
  
  
  
  
 。上采样             ，在深度学习框架中 
  
 
  
 
  
 
  
 
  
 
  
 
  ，可以简单理解为任何可以让你的图像变成更高分辨率的技术
  
  
  
  
  
  
 。

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

mode (str) ： 可使用的上采样算法 
  
  
  
  
  
  
，有’nearest’, ‘linear’, ‘bilinear’, ‘bicubic’ , ‘trilinear’和’area’. 默认使用’nearest’

注：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)
   
   
   
   
   
   
  。

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

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 和 trilinear 有作用. 默认是 False.

作用：

       根据给定的size或scale_factor参数来对输入进行下/上采样

       使用的插值算法取决于参数mode的设置

       支持目前的temporal(1D, 如向量数据), spatial(2D, 如jpg             、png等图像数据)和volumetric(3D, 如点云数据)类型的采样数据作为输入             ，输入数据的格式为minibatch x channels x [optional depth] x [optional height] x width 
  
 
  
 
  
 
  
 
  
 
  
 
  ，具体为：

对于一个temporal输入













，期待着3D张量的输入 
  
  
  
  
  
  
，即minibatch x channels x width

对于一个空间spatial输入 
  
  
  
  
  
  
 ，期待着4D张量的输入

 


 


 


 


 


 


 ，即minibatch x channels x height x width

对于体积volumetric输入 
 
 
 
 
 
 
，期待着5D张量的输入 
   
   
   
   
   
   
 ，即minibatch x channels x depth x height x width

举例：

参考：

Pytorch上下采样函数--interpolate()

Pytorch上采样函数 包括interpolate