mindspore.mint.nn.functional.interpolate

mindspore.mint.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None)

按照给定的 size 或 scale_factor 根据 mode 设置的插值方式，对输入 input 进行插值。

警告

这是一个实验性API，后续可能修改或删除。

说明

• 在linear模式下， align_corners`为False时不支持 `scale_factor 。

• 在nearest模式下，在输入为3-D/4-D Tensor图像按 scale_factor 进行缩放的场景中可能存在精度问题.

• mode 和 recompute_scale_factor 只能为常量。

参数：

• input (Tensor) - 被调整大小的Tensor。输入向量必须为三维，四维或五维，shape为 \((N, C, [optional D], [optional H], W)\) ，数据类型为float。

• size (Union[int, tuple[int], list[int]], 可选) - 目标大小。如果 size 为tuple或list，那么其长度应该和 input 去掉 N, C 的维度相同。 size 和 scale_factor 同时只能指定一个。默认值： None 。

• scale_factor (Union[float, tuple[float], list[float]]，可选) - 每个维度的缩放系数。如果 scale_factor 为tuple或list，那么其长度应该和 input 去掉 N, C 的维度相同。 size 和 scale_factor 同时只能指定一个。默认值： None 。

• mode (str) - 采样算法。以下采样方式的一种，'nearest'(最近邻插值)， 'linear' (线性插值，仅三维)，'bilinear' (双线性插值，仅四维)，'trilinear'(三线性插值，仅五维)，'bicubic' (双三次插值，仅四维)。默认值： "nearest" 。

• align_corners (bool) - 是否使用角对齐进行坐标映射。假设对输入Tensor沿x轴进行变换，具体计算公式如下：

  ori_i = new_length != 1 ? new_i * (ori_length - 1) / (new_length - 1) : 0   # 'align_corners' 为 True
  
  ori_i = new_length > 1 ? (new_i + 0.5) * ori_length / new_length - 0.5 : 0  # 'align_corners' 为 False
  

  其中， \(ori\_length\) 与 \(new\_length\) 分别表示Tensor在x轴方向上转换前、后的长度， \(new\_i\) 表示转换后沿x轴第i个元素的坐标， \(ori\_i\) 表示沿x轴原始数据的对应坐标。

  此选项只对 'linear' 、 'bilinear' 和 'bicubic' 模式有效，默认值： False。

• recompute_scale_factor (bool, 可选) - 重计算 scale_factor 。如果为True，会使用参数 scale_factor 计算参数 size，最终使用 size 的值进行缩放。如果为False，将使用 size 或 scale_factor 直接进行插值。默认值： None 。

参数支持列表和支持平台：

mode	input.dim	align_corners	scale_factor	device
nearest	3	-	√	Ascend
	4	-	√	Ascend
	5	-	√	Ascend
linear	3	√	√	Ascend
bilinear	4	√	×	Ascend
bicubic	4	√	×	Ascend
trilinear	5	√	√	Ascend

• - 表示无此参数。

• × 表示当前不支持此参数。

• √ 表示当前支持此参数。

返回：

采样后的Tensor，维度和数据类型与 input 相同。

Shape:

输入: \((N, C, W_{in})\), \((N, C, H_{in}, W_{in})\) 或 \((N, C, D_{in}, H_{in}, W_{in})\) 输出: \((N, C, W_{out})\), \((N, C, H_{out}, W_{out})\) 或 \((N, C, D_{out}, H_{out}, W_{out})\), 其中

\[D_{out} = \left\lfloor D_{in} \times \text{scale\_factor} \right\rfloor\]

\[H_{out} = \left\lfloor H_{in} \times \text{scale\_factor} \right\rfloor\]

\[W_{out} = \left\lfloor W_{in} \times \text{scale\_factor} \right\rfloor\]

异常：

• TypeError - input 不是Tensor。

• ValueError - size 和 scale_factor 都不为空。

• ValueError - size 和 scale_factor 都为空。

• ValueError - size 为元组或列表类型时长度不等于 input.ndim - 2 。

• ValueError - scale_factor 为元组或列表类型时长度不等于 input.ndim - 2 。

• ValueError - mode 不在模式支持列表中。

• ValueError - input.ndim 不在模式对应维度的支持列表中。

• ValueError - size 不为空， recompute_scale_factor 不为空。

• ValueError - scale_factor 不在对应的支持列表中。

• ValueError - align_corners 不在对应的支持列表中。

支持平台：

Ascend

样例：

>>> import mindspore
>>> from mindspore import Tensor, mint
>>> input = Tensor([[[1, 2, 3], [4, 5, 6]]], mindspore.float32)
>>> output = mint.interpolate(input, size=(6,), mode='nearest')
>>> print(output)
    [[[1. 1. 2. 2. 3. 3.]
      [4. 4. 5. 5. 6. 6.]]]