PyTorch数据采样

发表于 2022-07-20 分类于深度学习本文字数： 1k 阅读时长 ≈ 1 分钟

本文记录一下PyTorch中的数据采样操作。

其完整声明形式为：

1	torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None, antialias=False)

下/上采样输入到给定的尺寸或者缩放因子。

用于插值的算法由mode参数定义。

目前temporal、spatial和volumetric的采样是支持的，例如，期望的输入在shape上是3-D，4-D或者5-D。

输入维度以该方式呈现：mni-batch x channels x [optional depth] x [optional height] x width

可以用来resize的mode有：nearest, linear(3D-only), bilinear, bicubic(4D-only), trilinear(5D-only), area, nearest-exact。

参数：

input(Tensor)：输入tensor
size(int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int])：输入空间尺寸
scale_factor (float or Tuple[float])：对空间尺寸的缩放操作，如果scale_factor为一个元组，其长度必须与input.dim()匹配
mode(str)：用来上采样的算法：'nearest' | 'linear' | 'bilinear' | 'bicubic' | 'trilinear' | 'area' | 'nearest-exact'，默认为'nearest'。
align_corners(bool, optional)：略
recompute_scale_factor(bool, optional)：重新计算scale_factor以在插值计算中使用。
antialias(bool, optional)：略

参考资料：

TORCH.NN.FUNCTIONAL.INTERPOLATE

对一个给定的多通道 1D (temporal), 2D (spatial) 或 3D (volumetric) 数据进行上采样。

参考资料：

UPSAMPLE