标签：输出 torch sample pytorch grid new input out

torch.nn.functional.grid_sample

首先我们看pytorch文档中给出的描述：

torch.nn.functional.grid_sample(input, grid, mode=‘bilinear’, padding_mode=‘zeros’, align_corners=None)

Given an input and a flow-field grid, computes the output using input values and pixel locations from grid.

input是输入，也就是说input根据grid的映射得到输出。
如果输入是4D的，常见形式是图像，每个像素点有两个坐标，输出的维度为Hout和Wout，我们要得到输出图像中某一坐标处的值，就要知道该点对应的input中的坐标。

如图所示，是在使用双线性差值的情况下，将4×4大小的矩阵映射到3×3大小。注意grid_w为[… , 0]，grid_h为[… , 0]。

inp = torch.arange(0, 16)
inp = inp.reshape((1, 1, 4, 4)).float()
print(inp)
out_h = 3
out_w = 3
new_h = torch.linspace(-1, 1, out_h).view(-1, 1).repeat(1, out_w)
new_w = torch.linspace(-1, 1, out_w).repeat(out_h, 1)
print(new_h)
print(new_w)
grid = torch.cat((new_w.unsqueeze(2), new_h.unsqueeze(2)), dim=2)
grid = grid.unsqueeze(0)
outp = F.grid_sample(inp, grid=grid, mode='bilinear')
print(outp) 

tensor.repeat()：重复某一维度，1表示不重复，如果参数的个数超过了tensor的维度，那么将会对tensor从dim=0开始添加维度，直到与参数维度相同。

相同的，我们可以得到输入为5D的情况，这是我们需要3个坐标来确定输出在输入中的位置，因此grid最后一个维度为3。

差值方法，如果mode=‘bilinear’，输入是4D时使用双线性差值，输入为5D时使用三线性差值。

默认填充为0填充，在上述例子中，如果我们使用padding_mode=‘border’，输出为：


默认为False，如果设置为True，-1和1将会被放到输入的角像素的中心，如下图所示。

输出为：
这时如果将输出H,W设置为4，将会得到和输入相同的输出：

这其中还有一个重要的问题，我们将grid的值归一化到[-1,1]是为了方便计算，但是我们访问元素时仍然需要整数的索引，所以我们怎么将grid中的坐标转换到input中的坐标呢？
input_x = (grid_x+1)/2)×(Hinput-1)
input_y = (grid_y+1)/2)×(Winput-1)
如：在输出H,W设置为4，align_corners=True的情况下，我们得到grid_h和grid_w如图所示，我们取x，y=1,0， grid_x=-0.3333,（grid_w中（1,0）位置的值）grid_y=-1，计算得到input_x=1，input_y=0，即输出中（1,0）位置的值也就是输入（1,0）位置的值。

warp变换

标签：输出,torch,sample,pytorch,grid,new,input,out
来源： https://blog.csdn.net/weixin_43559672/article/details/121030037

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。