文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindspore.mint.nn.functional.grid_sample

mindspore.mint.nn.functional.grid_sample(input, grid, mode='bilinear', padding_mode='zeros', align_corners=False)[源代码]

给定一个输入和一个网格，使用网格中的输入值和像素位置计算输出。input 只支持4-D（GridSampler2D）和5-D（GridSampler3D）。

在4-D场景下，input 的shape为 $(N, C, H_{i n}, W_{i n})$ ，grid 的shape为 $(N, H_{o u t}, W_{o u t}, 2)$ ，output 的shape为 $(N, C, H_{o u t}, W_{o u t})$ 。对于每个输出位置 output[n, :, h, w]，grid[n, h, w] 指定 input 像素位置 x 和 y，用于计算 output[n, :, h, w] 的插值。以5D为例，grid[n, d, h, w] 指定 x， y，z 像素位置的插值位置为[n, :, d, h, w]。mode 参数指定 nearest 或 bilinear (bicubic暂不支持)插值法对输入像素进行采样。

grid 指定由 input 归一化的采样像素位置。因此，它应该在 $[- 1, 1]$ 范围内的值最多。

如果 grid 的值在 $[- 1, 1]$ 范围之外，则相应的输出将按照定义的 padding_mode 方式处理。如果 padding_mode 设置为 0 ，则使用 $0$ 来表示出界的网格位置。如果 padding_mode 设置为 border，对于出界网格位置，则使用border值。如果 padding_mode 设置为 reflection ，请使用边界所反映的位置的值用于指定出界网格位置。对于远离边界的位置，它会一直被反射，直到在边界内。

参数：

input (Tensor) - 4-D场景下，shape为 $(N, C, H_{i n}, W_{i n})$ ，5-D场景下，shape为 $(N, C, D_{i n}, H_{i n}, W_{i n})$ 。数据类型为float32或float64。
grid (Tensor) - 4-D场景下，shape为 $(N, H_{o u t}, W_{o u t}, 2)$ ，5-D场景下，shape为 $(N, D_{o u t}, H_{o u t}, W_{o u t}, 3)$ 。数据类型与 input 保持一致。
mode (str，可选) - 插值方法。可选方法为 'bilinear'， 'nearest'。默认值： 'bilinear' 。注： 'bilinear' 还不支持。当 mode 为 'bilinear'，且输入为5-D，则 mode 为 'trilinear'。但是，当输入为4-D，则 mode 为 'bilinear'。默认值： 'bilinear' 。
- 'nearest'：最近邻插值。每个输出像素的值为最近的输入像素的值。这种方法简单快速，但可能导致块状或像素化的输出。
- 'bilinear'：双线性插值。每个输出像素是最接近的四个输入像素的加权平均值，使用双线性插值计算。与最近邻插值相比，此方法产生更平滑的结果。
- 'trilinear'：三线性插值。这是双线性插值在三维数据上的扩展。它在两个空间维度上执行双线性插值，并沿第三个维度进行线性插值。通常用于体积或三维图像插值。
padding_mode (str，可选) - 填充方法。可选方法为 'zeros'，'border' 和 'reflection'。默认值： 'zeros' 。
align_corners (bool，可选) - 如果设置成 True，-1和1被视为引用输入角像素的中心点。如果设置为 False，将被视为引用到输入角像素的角点，使采样更不受分辨率影响。默认值为 False。

返回：

Tensor，数据类型与 input 相同，4-D场景下，shape为 $(N, C, H_{o u t}, W_{o u t})$ ，5-D场景下，shape为 $(N, C, D_{o u t}, H_{o u t}, W_{o u t})$ 。

异常：

TypeError - 如果 input 或 grid 不是Tensor类型。
TypeError - 如果 input 和 grid 的数据类型不一致。
TypeError - 如果 input 或 grid 的数据类型无效。
TypeError - 如果 align_corners 不是一个布尔值。
ValueError - 如果 input 或 grid 的维度不是四维或五维。
ValueError - 如果 input 的第一个维度不等于 grid 的第一个维度。
ValueError - 如果 grid 最后一个维度不等于2（4-D场景）或者3（5-D场景）。
ValueError - 如果 mode 不是 bilinear，nearest，数据类型不为String。
ValueError - 如果 padding_mode 不是 zeros，border，reflection，数据类型不为String。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> input_x = Tensor(np.arange(16).reshape((2, 2, 2, 2)).astype(np.float32))
>>> grid = Tensor(np.arange(0.2, 1, 0.1).reshape((2, 2, 1, 2)).astype(np.float32))
>>> output = mint.nn.functional.grid_sample(input_x, grid, mode='bilinear', padding_mode='zeros',
...                          align_corners=True)
>>> print(output)
[[[[ 1.9      ]
   [ 2.1999998]]
  [[ 5.9      ]
   [ 6.2      ]]]
 [[[10.5      ]
   [10.8      ]]
  [[14.5      ]
   [14.8      ]]]]