grid_sample¶
- paddle.nn.functional. grid_sample ( x, grid, mode='bilinear', padding_mode='zeros', align_corners=True, name=None ) [源代码] ¶
基于 flow field 网格的对输入 X 进行双线性插值采样。网格通常由 affine_grid 生成，当输入 X 为 4 维时，网格 shape 为 \([N, H, W, 2]\)，是 shape 为 \([N, H, W]\) 的采样点张量的 (x, y) 坐标。 其中，x 坐标是对输入数据 X 的第四个维度（宽度维度）的索引，y 坐标是第三维度(高维度)的索引，最终输出采样值为采样点的 4 个最接近的角点的双线性插值结果，输出张量的 shape 为 \([N, C, H, W]\)。 当输入 X 为 5 维时，网格 shape 为 \([N, D, H, W, 3]\)，是 shape 为 \([N, D, H, W]\) 的采样点张量的 (x, y, z) 坐标。其中，x 坐标是对输入数据 X 的第五个维度（宽度维度）的索引，y 坐标是第四维度（高度维度）的索引，z 坐标是对输入数据 X 的第三个维度（深度维度）的索引，最终输出采样值为采样点的 8 个最接近的角点的双线性插值结果，输出张量的 shape 为 \([N, C, D, H, W]\)。
step 1：
得到 (x, y) 网格坐标，缩放到 \([0, \frac{h-1}{W-1}]\)。
grid_x = 0.5 * (grid[:, :, :, 0] + 1) * (W - 1)
grid_y = 0.5 * (grid[:, :, :, 1] + 1) * (H - 1)
step 2：
在每个 \([H, W]\) 区域用网格 (X, y) 作为输入数据 X 的索引，并将双线性插值点值由 4 个最近的点表示。
wn ------- y_n ------- en
| | |
| d_n |
| | |
x_w --d_w-- grid--d_e-- x_e
| | |
| d_s |
| | |
ws ------- y_s ------- wn
x_w = floor(x) // west side x coord
x_e = x_w + 1 // east side x coord
y_n = floor(y) // north side y coord
y_s = y_s + 1 // south side y coord
d_w = grid_x - x_w // distance to west side
d_e = x_e - grid_x // distance to east side
d_n = grid_y - y_n // distance to north side
d_s = y_s - grid_y // distance to south side
wn = X[:, :, y_n, x_w] // north-west point value
en = X[:, :, y_n, x_e] // north-east point value
ws = X[:, :, y_s, x_w] // south-east point value
es = X[:, :, y_s, x_w] // north-east point value
output = wn * d_e * d_s + en * d_w * d_s
+ ws * d_e * d_n + es * d_w * d_n
参数¶
x (Tensor) - 输入张量，维度为 \([N, C, H, W]\) 的 4-D Tensor 或维度为 \([N, C, D, H, W]\) 的 5-D Tensor，N 为批尺寸，C 是通道数，D 是特征深度，H 是特征高度，W 是特征宽度，数据类型为 float32 或 float64。
grid (Tensor) - 输入网格数据张量，维度为 \([N, H, W, 2]\) 的 4-D Tensor 或维度为 \([N, D, H, W, 3]\) 的 5-D Tensor，N 为批尺寸，H 是特征高度，D 是特征深度，W 是特征宽度，数据类型为 float32 或 float64。
mode (str，可选) - 插值方式，可以为 'bilinear' 或者 'nearest'。默认值为 'bilinear'。
padding_mode (str，可选) - 当原来的索引超过输入的图像大小时的填充方式。可以为 'zeros', 'reflection' 和 'border'。默认值为 'zeros'。
align_corners (bool，可选) - 一个可选的 bool 型参数，如果为 True，则将输入和输出张量的 4 个或 8 个角落像素的中心对齐，并保留角点像素的值。默认值为 True。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。
返回¶
Tensor，输入 X 基于输入网格的双线性插值计算结果，维度为 \([N, C, H, W]\) 的 4-D Tensor 或维度为 \([N, C, D, H, W]\) 的 5-D Tensor， grid_H 是 grid 的特征高度， grid_W 是 grid 的特征深度，数据类型与 x 一致。
代码示例¶
import paddle
import paddle.nn.functional as F
# x shape=[1, 1, 3, 3]
x = paddle.to_tensor([[[[-0.6, 0.8, -0.5],
[-0.5, 0.2, 1.2],
[ 1.4, 0.3, -0.2]]]],dtype='float64')
# grid shape = [1, 3, 4, 2]
grid = paddle.to_tensor([[[[ 0.2, 0.3],
[-0.4, -0.3],
[-0.9, 0.3],
[-0.9, -0.6]],
[[ 0.4, 0.1],
[ 0.9, -0.8],
[ 0.4, 0.5],
[ 0.5, -0.2]],
[[ 0.1, -0.8],
[-0.3, -1. ],
[ 0.7, 0.4],
[ 0.2, 0.8]]]],dtype='float64')
y_t = F.grid_sample(
x,
grid,
mode='bilinear',
padding_mode='border',
align_corners=True)
print(y_t)
# output shape = [1, 1, 3, 4]
# [[[[ 0.34 0.016 0.086 -0.448]
# [ 0.55 -0.076 0.35 0.59 ]
# [ 0.596 0.38 0.52 0.24 ]]]]