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。

提交

文档反馈

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 $(N,C,[optionalD],[optionalH],W)$ ，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, 可选) - 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， $ori\mathrm{\_}length$ 与 $new\mathrm{\_}length$ 分别表示Tensor在x轴方向上转换前、后的长度， $new\mathrm{\_}i$ 表示转换后沿x轴第i个元素的坐标， $ori\mathrm{\_}i$ 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： None。

• 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。

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.nn.functional.interpolate(input, size=(6,), mode='nearest')
>>> print(output)
[[[1. 1. 2. 2. 3. 3.]
  [4. 4. 5. 5. 6. 6.]]]