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.ops.GridSampler2D

class mindspore.ops.GridSampler2D(interpolation_mode='bilinear', padding_mode='zeros', align_corners=False)[源代码]

此操作使用基于流场网格的插值对2D input_x 进行采样，该插值通常由 mindspore.ops.affine_grid() 生成。

警告

这是一个实验性API，后续可能修改或删除。

更多参考详见 mindspore.ops.grid_sample()。

参数：

interpolation_mode (str，可选) - 指定插值方法的可选字符串。可选值为： 'bilinear' 、 'nearest' ，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。
padding_mode (str，可选) - 指定填充模式的可选字符串。可选值为： 'zeros' 、 'border' 或者 'reflection' ，默认值： 'zeros' 。当采样grid超出输入Tensor的边界时，各种填充模式效果如下：
- 'zeros' ：使用零填充输入Tensor。
- 'border' ：使用Tensor边缘上像素的值填充输入Tensor。
- 'reflection' ：通过反射Tensor边界处的像素值，并将反射值沿着Tensor的边界向外扩展来填充输入Tensor。
align_corners (bool，可选) - 一个可选bool。如果为 True ，输入和输出Tensor的角像素是对齐的，如果为 False ，则不使用角像素对齐。默认值：False 。

输入：

input_x (Tensor) - 一个4D的Tensor，shape为 $(N, C, H_{i n}, W_{i n})$ 。支持数据类型：
- Ascend： float16、float32。
- GPU/CPU： float16、float32、float64。
grid (Tensor) - 一个4D的Tensor，dtype和 input_x 相同，shape为 $(N, H_{o u t}, W_{o u t}, 2)$ ，用于指定由输入空间维度归一化的采样像素位置。

输出：

一个4-D的Tensor，dtype和 input_x 相同，shape为 $(N, C, H_{o u t}, W_{o u t})$ 。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> gridsampler = ops.GridSampler2D(interpolation_mode='bilinear', padding_mode='zeros', align_corners=True)
>>> input_x = Tensor(np.arange(16).reshape((2, 2, 2, 2)).astype(np.float32))
>>> grid = Tensor(np.arange(-9, 9, 0.5).reshape((2, 3, 3, 2)).astype(np.float32))
>>> output = gridsampler(input_x, grid)
>>> print(output)
[[[[ 0.     0.     0.   ]
   [ 0.     0.     0.   ]
   [ 0.     0.     0.5  ]]
  [[ 0.     0.     0.   ]
   [ 0.     0.     0.   ]
   [ 0.     1.5    4.5  ]]]
 [[[10.     8.25   1.375]
   [ 0.     0.     0.   ]
   [ 0.     0.     0.   ]]
  [[14.    11.25   1.875]
   [ 0.     0.     0.   ]
   [ 0.     0.     0.   ]]]]