PyTorch插值函数介绍

迪鲁宾
775 阅读5分钟

PyTorch interpolate

PyTorch插值的定义

在深度学习中，我们有不同类型的功能给用户，其中插值是PyTorch提供的功能之一。通过使用插值，我们可以根据我们的要求来设置输入，而不同的使用的插值算法取决于不同的参数模式的设置。Interpolate支持一维、二维和三维云数据，如矢量数据、不同类型的图像JPG、PNG等。换句话说，我们可以说，插值适用于时间或体积维度。因此，根据我们的要求，我们可以通过使用一个比例因子来创建输出。

什么是PyTorch插值？

按照给定的尺寸或scale_factor边界来向下/向上示例信息。

它坚持当前测试信息的无常（1D，如矢量信息），空间（2D，如jpg，png，和其他图片信息），和体积（3D，如点云信息）类型的信息。信息信息的设计是minibatch x channels x [可选的深度] x [可选的高度] x width。对于一块无常的信息，预计三维张量的贡献，特别是minibatch x channels x width。对于空间信息，我们预计4D张量的贡献，特别是minibatch x channels x stature x width。对于体积信息，我们预计5D张量的贡献，例如，minibatch x channels x profundity x stature x width。该计算可用于三维（3D）和立方刚（3D）的计算。

如何使用PyTorch插值？

现在让我们来看看如何在PyTorch中使用插值函数，如下。

语法

torch.nn.functional.interpolate(specified input, o_size = None, scale_factor =None, mode_function ='nearest', align = None)

解释

在上面的语法中，我们使用不同参数的插值函数，如下所示。

  • 指定的输入:指定的输入指的是输入张量。
  • o_size: o_size表示张量的输出大小，取决于用户的要求。
  • scale_factor:利用它来表示结果的输入频率。如果输入TUPLE，也要设置TUPLE类型。
  • mode_function:用来指定样本，它取决于要求。
  • align：在数学中，我们相信信息和结果的像素是正方形的，而不是几个焦点。因此，只要设置为 "真"，信息和结果管就会按其尖锐像素的中间位置进行调整，以这种方式保持精确像素的质量。假设设置为 "假"，信息管和结果管就会按其精确像素的突起部分进行调整，而插值则利用边界的极限值。当scale_factor保持不变时，使这个活动不受信息大小的影响。只利用使用线性、'双线'、'双线'或你可以利用'三线'时的计算。 默认设置为假。align = True时，直接引入的模式（直线、双线和三线）不调整结果和信息像素；因此，结果的价值可以依赖信息的大小。这是在适应0.3.1之前这些模式的默认行为。从那时起，默认行为是align = False。关于这如何影响结果的实质性模式，请参见向上样本。

PyTorch插值函数

对于PyTorch中的介绍，这个开放的问题要求更多的插值亮点。目前有一个nn.functional.grid_sample()的亮点；然而，基本上，一开始，这似乎并不是我想要的（然而我们以后会回到这个问题）。

具体来说，我需要拍摄一张图片，W x H x C，并在各种任意区域普遍测试。同样请注意，这和上采样不太一样，上采样是彻底的测试，而且不会给我们带来适应性的检测精度。
当scale_factor被指出时，在recompute_scale_factor=True的情况下，scale_factor被用来注册output_size，这将被用来诱导新的刻度的引入。默认的scale_factor在1.6.0中被改变。

插值1.1k的容量要求贡献在真正的BCHW设计中，而不是像过去那样的CHW。因此，用x = torch.rand(1, 2, 10, 10).cuda()取代过去，或者对x调用unsqueeze(0)工作，增加一个群组方面（因为它只是1张图片，它将是一个群组大小为1；然而，容量还需要它）

PyTorch插值线性

现在让我们来看看什么是线性插值，如下所示。

直接插值是一种策略，通过巧妙地定义两个附近的已知素质之间的直线边界，在已知素质之间找出中间的信息。插值是沿该线的任何一点。您可以利用直接加法，例如，绘制图表或关键帧之间的活力。

PyTorch插值的例子

现在让我们来看看插值的不同例子，以便更好地理解以下内容。

import torch
import torch.nn.functional as Fun
X = 2
Y = 4
Z = A = 8
B = torch.randn((X, Y, Z, A))
b_usample = Fun.interpolate(B, [Z*3, A*3], mode='bilinear', align_corners=True)
b_mod = B.clone()
b_mod[:, 0] *= 2000
b_mod_usample = Fun.interpolate(b_mod, [Z*3, A*3], mode='bilinear', align_corners=True)
print(torch.isclose(b_usample[:,0], b_mod_usample[:,0]).all())
print(torch.isclose(b_usample[:,1], b_mod_usample[:,1]).all())
print(torch.isclose(b_usample[:,2], b_mod_usample[:,2]).all())
print(torch.isclose(b_usample[:,3], b_mod_usample[:,3]).all())

解释

在上面的例子中，我们尝试在PyTorch中实现插值功能。在这里，首先我们创建了一个具有不同参数的随机张量，如上面的代码所示。之后，我们使用插值函数，如图所示。最后，我们通过下面的截图说明了上述实现的最终输出，如下图所示。

2

现在让我们来看看插值函数的另一个例子，如下。

import torch
import torch.nn.functional as Fun
A = torch.randn(6, 26, 151)
output = Fun.interpolate(A, size=150)
print(output.shape)

解释

在上面的例子中，我们首先导入所需的包；之后，我们使用randn（）函数创建一个张量，如图所示。之后，我们使用interpolate()函数。最后，我们用下面的截图来说明上述实现的最终输出，如下图所示。

1

结语

我们希望通过这篇文章你能了解更多关于PyTorch插值的知识。从上面的文章中，我们已经掌握了PyTorch插值的基本思想，我们也看到了PyTorch插值的表现和例子。此外，我们从这篇文章中了解到如何以及何时使用PyTorch插值。

avatar
文章
阅读
粉丝