interpolate

paddle.nn.functional. interpolate ( x, size=None, scale_factor=None, mode='nearest', align_corners=False, align_mode=0, data_format=None, name=None ) [源代码]

调整一个 batch 中图片的大小。

输入为 3-D Tensor 时形状为(num_batches, channels, in_w)或者(num_batches, in_w, channels)，输入为 4-D Tensor 时形状为(num_batches, channels, in_h, in_w)或者(num_batches, in_h, in_w, channels)，输入为 5-D Tensor 时形状为(num_batches, channels, in_d, in_h, in_w)或者(num_batches, in_d, in_h, in_w, channels)，并且调整大小只适用于深度，高度和宽度对应的维度。

支持的插值方法：

NEAREST：最近邻插值

BILINEAR：双线性插值

TRILINEAR：三线性插值

BICUBIC：双三次插值

LINEAR：线性插值

AREA：面积插值

最近邻插值是在输入 Tensor 的高度和宽度上进行最近邻插值。

双线性插值是线性插值的扩展，用于在直线 2D 网格上插值两个变量（例如，该操作中的 H 方向和 W 方向）的函数。关键思想是首先在一个方向上执行线性插值，然后在另一个方向上再次执行线性插值。

三线插值是线性插值的一种扩展，是 3 参数的插值方程（比如 op 里的 D,H,W 方向），在三个方向上进行线性插值。

双三次插值是在二维网格上对数据点进行插值的三次插值的扩展，它能创造出比双线性和最近临插值更为光滑的图像边缘。

Align_corners 和 align_mode 是可选参数，插值的计算方法可以由它们选择。

示例：

scale 计算方法：

  if align_corners = True && out_size > 1 :

    scale_factor = (in_size-1.0)/(out_size-1.0)

  else:

    scale_factor = float(in_size/out_size)


不同插值方式的输出纬度计算规则：

Nearest neighbor interpolation:


    input : (N,C,H_in,W_in)
    output: (N,C,H_out,W_out) where:

    H_out = \left \lfloor {H_{in} * scale_{}factor}} \right \rfloor
    W_out = \left \lfloor {W_{in} * scale_{}factor}} \right \rfloor


Bilinear interpolation:

if:
    align_corners = False , align_mode = 0

    input : (N,C,H_in,W_in)
    output: (N,C,H_out,W_out) where:

    H_out = (H_{in}+0.5) * scale_{factor} - 0.5
    W_out = (W_{in}+0.5) * scale_{factor} - 0.5


else:

    input : (N,C,H_in,W_in)
    output: (N,C,H_out,W_out) where:

    H_out = H_{in} * scale_{factor}
    W_out = W_{in} * scale_{factor}

Bicubic interpolation:

if:
    align_corners = False

    input : (N,C,H_in,W_in)
    output: (N,C,H_out,W_out) where:

    H_out = (H_{in}+0.5) * scale_{factor} - 0.5
    W_out = (W_{in}+0.5) * scale_{factor} - 0.5

else:

    input : (N,C,H_in,W_in)
    output: (N,C,H_out,W_out) where:

    H_out = H_{in} * scale_{factor}
    W_out = W_{in} * scale_{factor}

Trilinear interpolation:

if:
    align_corners = False , align_mode = 0

    input : (N,C,D_in,H_in,W_in)
    output: (N,C,D_out,H_out,W_out) where:

    D_out = (D_{in}+0.5) * scale_{factor} - 0.5
    H_out = (H_{in}+0.5) * scale_{factor} - 0.5
    W_out = (W_{in}+0.5) * scale_{factor} - 0.5


else:

    input : (N,C,D_in,H_in,W_in)
    output: (N,C,D_out,H_out,W_out) where:

    D_out = D_{in} * scale_{factor}
    H_out = H_{in} * scale_{factor}
    W_out = W_{in} * scale_{factor}

有关最近邻插值的详细信息，请参阅维基百科： https://en.wikipedia.org/wiki/Nearest-neighbor_interpolation

有关双线性插值的详细信息，请参阅维基百科： https://en.wikipedia.org/wiki/Bilinear_interpolation

有关三线插值的详细信息，请参阅维基百科： https://en.wikipedia.org/wiki/Trilinear_interpolation

有关双三次插值的详细信息，请参阅维基百科： https://en.wikipedia.org/wiki/Bicubic_interpolation

参数

  • x (Tensor) - 3-D，4-D 或 5-D Tensor，数据类型为 float32、float64 或 uint8，其数据格式由参数 data_format 指定。如果没有指定 data_format 参数，其数据格式将由维度决定，具体请参照 data_format 参数。

  • size (list|tuple|Tensor|None) - 输出 Tensor，输入为 4D Tensor 时，形状为为(out_h, out_w)的 2-D Tensor。输入为 5-D Tensor 时，形状为(out_d, out_h, out_w)的 3-D Tensor。如果 out_shape 是列表，每一个元素可以是整数或者形状为[]的 Tensor。如果 out_shape 是 Tensor，则其为 1D Tensor。默认值为 None。

  • scale_factor (float|Tensor|list|tuple|None)-输入的高度或宽度的乘数因子。out_shape 和 scale 至少要设置一个。out_shape 的优先级高于 scale。默认值为 None。如果 scale_factor 是一个 list 或 tuple，它必须与输入的 shape 匹配。

  • mode (str，可选) - 插值方法。支持"bilinear"或"trilinear"或"nearest"或"bicubic"或"linear"或"area"。默认值为"nearest"。

  • align_corners (bool，可选) - 一个可选的 bool 型参数，如果为 True，则将输入和输出 Tensor 的 4 个角落像素的中心对齐，并保留角点像素的值。默认值为 False。

  • align_mode (int，可选) - 双线性插值的可选项。可以是 '0' 代表 src_idx = scale *（dst_indx + 0.5）-0.5；如果为'1'，代表 src_idx = scale * dst_index。默认值：0。

  • data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致。支持的值有："NCW"、"NWC"、"NCHW"、"NHWC"、"NCDHW"、"NDHWC"。默认值为 None，此时若输入是 3-D Tensor， data_format 将默认为"NCW"；若输入是 4—D Tensor, 将默认为"NCHW"；若输入是 5—D Tensor, 将默认为"NCDHW"。

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回

3-D，4-D，或 5-D Tensor，数据格式与输入 x 一致。

代码示例

>>> import paddle
>>> import paddle.nn.functional as F

>>> input_data = paddle.randn(shape=(2,3,6,10)).astype(paddle.float32)
>>> output_1 = F.interpolate(x=input_data, size=[12,12])
>>> print(output_1.shape)
[2, 3, 12, 12]
>>> # given scale
>>> output_2 = F.interpolate(x=input_data, scale_factor=[2,1])
>>> print(output_2.shape)
[2, 3, 12, 10]
>>> # bilinear interp
>>> output_3 = F.interpolate(x=input_data, scale_factor=[2,1], mode="bilinear")
>>> print(output_2.shape)
[2, 3, 12, 10]