interpolate

paddle.fluid.layers.interpolate(input, out_shape=None, scale=None, name=None, resample=’BILINEAR’, actual_shape=None, align_corners=True, align_mode=1, data_format=’NCHW’)[源代码]

注意: 参数 actual_shape 将被弃用，请使用 out_shape 替代。

该OP用于调整一个batch中图片的大小。

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

TRALINEAR：三线性插值

BICUBIC：双三次插值

最近邻插值是在输入张量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。

如:

  1. scale 计算方法：
  3.   if align_corners = True && out_size > 1 :
  5.     scale_factor = (in_size-1.0)/(out_size-1.0)
  7.   else:
  9.     scale_factor = float(in_size/out_size)
  11. 不同插值方式的输出纬度计算规则：
  13. Nearest neighbor interpolation:
  15. if:
  16.     align_corners = False
  18.     input : (N,C,H_in,W_in)
  19.     output: (N,C,H_out,W_out) where:
  21.     H_out = H_in * scale_factor
  22.     W_out = W_in * scale_factor
  24. else:
  25.     align_corners = True
  27.     input : (N,C,H_in,W_in)
  28.     output: (N,C,H_out,W_out) where:
  30.     H_out = round(H_in * scale_factor)
  31.     W_out = round(W_in * scale_factor)
  33. Bilinear interpolation:
  35. if:
  36.     align_corners = False , align_mode = 0
  38.     input : (N,C,H_in,W_in)
  39.     output: (N,C,H_out,W_out) where:
  41.     H_out = (H_in+0.5) * scale_factor - 0.5
  42.     W_out = (W_in+0.5) * scale_factor - 0.5
  44. else:
  46.     input : (N,C,H_in,W_in)
  47.     output: (N,C,H_out,W_out) where:
  49.     H_out = H_in * scale_factor
  50.     W_out = W_in * scale_factor
  52. Bicubic interpolation:
  54. if:
  55.     align_corners = False
  57.     input : (N,C,H_in,W_in)
  58.     output: (N,C,H_out,W_out) where:
  60.     H_out = (H_in+0.5) * scale_factor - 0.5
  61.     W_out = (W_in+0.5) * scale_factor - 0.5
  63. else:
  65.     input : (N,C,H_in,W_in)
  66.     output: (N,C,H_out,W_out) where:
  68.     H_out = H_in * scale_factor
  69.     W_out = W_in * scale_factor
  71. Trilinear interpolation:
  73. if:
  74.     align_corners = False , align_mode = 0
  76.     input : (N,C,D_in,H_in,W_in)
  77.     output: (N,C,D_out,H_out,W_out) where:
  79.     D_out = (D_in+0.5) * scale_factor - 0.5
  80.     H_out = (H_in+0.5) * scale_factor - 0.5
  81.     W_out = (W_in+0.5) * scale_factor - 0.5
  83. else:
  85.     input : (N,C,D_in,H_in,W_in)
  86.     output: (N,C,D_out,H_out,W_out) where:
  88.     D_out = D_in * scale_factor
  89.     H_out = H_in * scale_factor
  90.     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： 最近邻插值

有关双线性插值的详细信息，请参阅维基百科： 双线性插值

有关三线插值的详细信息，请参阅维基百科： 三线插值

有关双三次插值的详细信息，请参阅维基百科： 双三次插值

参数

  • input (Variable) - 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。
  • out_shape (list|tuple|Variable|None) - 输出Tensor，输入为4-D Tensor时，形状为 :math: (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[1]的变量。如果 out_shape 是变量，则其维度大小为1。默认值为None。
  • scale (float|Variable|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。
  • name (str|None) - 该参数供开发人员打印调试信息时使用，具体用法请参见 Name 。默认值为None。
  • resample (str) - 插值方法。支持‘BILINEAR’, ‘TRILINEAR’ , ‘BICUBIC’ and ‘NEAREST’ 。默认值为‘BILINEAR’。
  • actual_shape (Variable) - 可选输入，用于动态指定输出形状。如果指定actual_shape，图像将根据给定的形状调整大小，而不是根据指定形状的 out_shape 和 scale 进行调整。也就是说， actual_shape 具有最高的优先级。如果希望动态指定输出形状，建议使用 out_shape ，因为 actual_shape 未来将被弃用。在使用actual_shape指定输出形状时，还需要设置out_shape和scale之一，否则在图形构建阶段会出现错误。默认值:None
  • align_corners （bool）- 一个可选的bool型参数，如果为True，则将输入和输出张量的4个角落像素的中心对齐，并保留角点像素的值。 默认值为True
  • align_mode （int）- 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。
  • 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。对于4-D Tensor，支持 NCHW(num_batches, channels, height, width) 或者 NHWC(num_batches, height, width, channels)，对于5-D Tensor，支持 NCDHW(num_batches, channels, depth, height, width)或者 NDHWC(num_batches, depth, height, width, channels)，默认值：’NCHW’。

返回

4-D Tensor，形状为 (num_batches, channels, out_h, out_w) 或 (num_batches, out_h, out_w, channels)；或者5-D Tensor，形状为 (num_batches, channels, out_d, out_h, out_w) 或 (num_batches, out_d, out_h, out_w, channels)。

返回类型

变量（variable）

抛出异常

  • TypeError - out_shape应该是一个列表、元组或变量。
  • TypeError - actual_shape应该是变量或None。
  • ValueError - image_resize的”resample”只能是”BILINEAR”或”TRILINEAR”或”NEAREST”或”BICUBIC”。
  • ValueError - out_shape 和 scale 不可同时为 None。
  • ValueError - out_shape 的长度必须为2如果输入是4D张量。
  • ValueError - out_shape 的长度必须为3如果输入是5D张量。
  • ValueError - scale应大于0。
  • TypeError - align_corners 应为bool型。
  • ValueError - align_mode 只能取 ‘0’ 或 ‘1’。
  • ValueError - data_format 只能取 ‘NCHW’、‘NHWC’、‘NCDHW’ 或者 ‘NDHWC’。

代码示例

  1. #declarative mode
  2. import paddle
  3. import paddle.fluid as fluid
  4. import numpy as np
  5. input = fluid.data(name="input", shape=[None,3,6,10])
  6. # example 1
  7. output = fluid.layers.interpolate(input=input,out_shape=[12,12])
  8. # example 2
  9. # x = np.array([2]).astype("int32")
  10. # dim1 = fluid.data(name="dim1", shape=[1], dtype="int32")
  11. # fluid.layers.assign(input=x, output=dim1)
  12. # output = fluid.layers.interpolate(input=input,out_shape=[12,dim1])
  13. # example 3
  14. # x = np.array([3,12]).astype("int32")
  15. # shape_tensor = fluid.data(name="shape_tensor", shape=[2], dtype="int32")
  16. # fluid.layers.assign(input=x, output=shape_tensor)
  17. # output = pfluid.layers.interpolate(input=input,out_shape=shape_tensor)
  18. # example 4
  19. # x = np.array([0.5]).astype("float32")
  20. # scale_tensor = fluid.data(name="scale", shape=[1], dtype="float32")
  21. # fluid.layers.assign(x,scale_tensor)
  22. # output = fluid.layers.interpolate(input=input,scale=scale_tensor)
  23. place = fluid.CPUPlace()
  24. exe = fluid.Executor(place)
  25. exe.run(fluid.default_startup_program())
  26. input_data = np.random.rand(2,3,6,10).astype("float32")
  27. output_data = exe.run(fluid.default_main_program(),
  28.         feed={"input":input_data},
  29.         fetch_list=[output],
  30.         return_numpy=True)
  31. print(output_data[0].shape)
  32. # example 1
  33. # (2, 3, 12, 12)
  34. # example 2
  35. # (2, 3, 12, 2)
  36. # example 3
  37. # (2, 3, 3, 12)
  38. # example 4
  39. # (2, 3, 3, 5)
  41. #imperative mode
  42. import paddle.fluid.dygraph as dg
  43. import paddle.fluid as fluid
  44. with dg.guard(place) as g:
  45.     input = dg.to_variable(input_data)
  46.     output = fluid.layers.interpolate(input=input, out_shape=[12,12])
  47.     print(output.shape)
  48.     # [2, 3, 12, 12]