GridSample

GridSample - 22

版本

  • 名称: GridSample (GitHub)

  • 域: main

  • 自版本: 22

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符已自版本 22起可用。

摘要

给定输入 X 和流场 grid，使用 X 值和来自 grid 的像素位置计算输出 Y。对于形状为 (N, C, H, W) 的空间输入 X，grid 的形状将为 (N, H_out, W_out, 2)，输出 Y 的形状将为 (N, C, H_out, W_out)。对于形状为 (N, C, D, H, W) 的体积输入 X，grid 的形状将为 (N, D_out, H_out, W_out, 3)，输出 Y 的形状将为 (N, C, D_out, H_out, W_out)。更一般地说，对于秩为 r+2 的输入 X，其形状为 (N, C, d1, d2, …, dr)，grid 的形状将为 (N, D1_out, D2_out, …, Dr_out, r)，输出 Y 的形状将为 (N, C, D1_out, D2_out, …, Dr_out)。

张量 X 包含方像素（体素等）中心位置的 值，例如 (n, c, d1_in, d2_in, …, dr_in)。来自张量 grid 的 (n, d1_out, d2_out, …, dr_out, :) 值是用于插值输出张量 Y 中 (n, c, d1_out, d2_out, …, dr_out) 位置的值的归一化位置，使用指定的插值方法（模式）和填充模式（用于 grid 位置落在二维图像之外）。

例如，grid[n, h_out, w_out, :] 中的值是大小为 2 的向量，指定 X 的二维空间中的归一化位置。它们用于插值 Y[n, c, h_out, w_out] 的输出值。

GridSample 运算符通常用于在 空间变换网络 中执行网格生成器和采样器。另请参见 torch.nn.functional.grid_sample。

属性

  • align_corners - INT（默认值为 '0'）

    如果 align_corners=1，则极值 (-1 和 1) 被视为是指输入角像素（体素等）的中心点。如果 align_corners=0，则它们被视为是指输入角像素（体素等）的角点，使采样更不受分辨率影响。

  • mode - STRING（默认值为 'linear'）

    三种插值模式：线性（默认）、最近邻和三次。根据输入张量的空间维度数量（即，对于 1 个空间维度为线性，对于 2 个空间维度为双线性，等等），“线性”模式包括线性插值和 N-线性插值模式。“三次”模式也遵循相同的规则包括 N-三次插值模式。“最近邻”模式当采样点落在两个索引之间的中间时，会四舍五入到最接近的偶数索引。

  • padding_mode - STRING（默认值为 'zeros'）

    支持网格值外的填充模式：zeros（默认）、border、reflection。zeros：对于网格范围外的值，使用 0，border：对于网格范围外的值，使用边界值，reflection：对于网格范围外的值，使用边界反射的值。如果索引 0 代表边距像素，则索引 -1 处的反射值将与索引 1 处的值相同。对于远离边界的位 置，它将不断反射，直到变为边界内。如果像素位置 x = -3.5 通过边界 -1 反射并变为 x’ = 1.5，然后通过边界 1 反射并变为 x’’ = 0.5。

输入

  • X (异构) - T1

    秩为 r+2 的输入张量，其形状为 (N, C, D1, D2, …, Dr)，其中 N 是批次大小，C 是通道数量，D1, D2, …, Dr 是空间维度。

  • grid (异构) - T2

    输入偏移形状为 (N, D1_out, D2_out, …, Dr_out, r)，其中 D1_out、D2_out、…、Dr_out 是网格和输出的空间维度，r 是空间维度的数量。网格指定了由输入空间维度归一化的采样位置。因此，它应该在 [-1, 1] 范围内具有大多数值。如果网格具有超出 [-1, 1] 范围的值，则相应的输出将根据 padding_mode 的定义进行处理。按照计算机视觉惯例，长度为 r 的位置向量中的坐标从最内层张量维度列出到最外层，这与常规张量索引相反。

输出

  • Y (异构) - T1

    等级为 r+2 的输出张量，形状为 (N, C, D1_out, D2_out, …, Dr_out)，表示采样值的形状。对于整数输入类型，中间值将作为浮点数计算，并在最后转换为整数。

类型约束

  • T1 in ( tensor(bfloat16), tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) )

    将输入 X 和输出 Y 类型约束为所有张量类型。

  • T2 in ( tensor(bfloat16), tensor(double), tensor(float), tensor(float16) )

    将网格类型约束为浮点张量。

GridSample - 20

版本

  • 名称: GridSample (GitHub)

  • 域: main

  • since_version: 20

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符已在 版本 20 中可用。

摘要

给定输入 X 和流场 grid，使用 X 值和来自 grid 的像素位置计算输出 Y。对于形状为 (N, C, H, W) 的空间输入 X，grid 的形状将为 (N, H_out, W_out, 2)，输出 Y 的形状将为 (N, C, H_out, W_out)。对于形状为 (N, C, D, H, W) 的体积输入 X，grid 的形状将为 (N, D_out, H_out, W_out, 3)，输出 Y 的形状将为 (N, C, D_out, H_out, W_out)。更一般地说，对于秩为 r+2 的输入 X，其形状为 (N, C, d1, d2, …, dr)，grid 的形状将为 (N, D1_out, D2_out, …, Dr_out, r)，输出 Y 的形状将为 (N, C, D1_out, D2_out, …, Dr_out)。

张量 X 包含方像素（体素等）中心位置的 值，例如 (n, c, d1_in, d2_in, …, dr_in)。来自张量 grid 的 (n, d1_out, d2_out, …, dr_out, :) 值是用于插值输出张量 Y 中 (n, c, d1_out, d2_out, …, dr_out) 位置的值的归一化位置，使用指定的插值方法（模式）和填充模式（用于 grid 位置落在二维图像之外）。

例如，grid[n, h_out, w_out, :] 中的值是大小为 2 的向量，指定 X 的二维空间中的归一化位置。它们用于插值 Y[n, c, h_out, w_out] 的输出值。

GridSample 运算符通常用于在 空间变换网络 中执行网格生成器和采样器。另请参见 torch.nn.functional.grid_sample。

属性

  • align_corners - INT（默认值为 '0'）

    如果 align_corners=1，则极值 (-1 和 1) 被视为是指输入角像素（体素等）的中心点。如果 align_corners=0，则它们被视为是指输入角像素（体素等）的角点，使采样更不受分辨率影响。

  • mode - STRING（默认值为 'linear'）

    三种插值模式：线性（默认）、最近邻和三次。根据输入张量的空间维度数量（即，对于 1 个空间维度为线性，对于 2 个空间维度为双线性，等等），“线性”模式包括线性插值和 N-线性插值模式。“三次”模式也遵循相同的规则包括 N-三次插值模式。“最近邻”模式当采样点落在两个索引之间的中间时，会四舍五入到最接近的偶数索引。

  • padding_mode - STRING（默认值为 'zeros'）

    支持网格值外的填充模式：zeros（默认）、border、reflection。zeros：对于网格范围外的值，使用 0，border：对于网格范围外的值，使用边界值，reflection：对于网格范围外的值，使用边界反射的值。如果索引 0 代表边距像素，则索引 -1 处的反射值将与索引 1 处的值相同。对于远离边界的位 置，它将不断反射，直到变为边界内。如果像素位置 x = -3.5 通过边界 -1 反射并变为 x’ = 1.5，然后通过边界 1 反射并变为 x’’ = 0.5。

输入

  • X (异构) - T1

    秩为 r+2 的输入张量，其形状为 (N, C, D1, D2, …, Dr)，其中 N 是批次大小，C 是通道数量，D1, D2, …, Dr 是空间维度。

  • grid (异构) - T2

    输入偏移形状为 (N, D1_out, D2_out, …, Dr_out, r)，其中 D1_out、D2_out、…、Dr_out 是网格和输出的空间维度，r 是空间维度的数量。网格指定了由输入空间维度归一化的采样位置。因此，它应该在 [-1, 1] 范围内具有大多数值。如果网格具有超出 [-1, 1] 范围的值，则相应的输出将根据 padding_mode 的定义进行处理。按照计算机视觉惯例，长度为 r 的位置向量中的坐标从最内层张量维度列出到最外层，这与常规张量索引相反。

输出

  • Y (异构) - T1

    等级为 r+2 的输出张量，形状为 (N, C, D1_out, D2_out, …, Dr_out)，表示采样值的形状。对于整数输入类型，中间值将作为浮点数计算，并在最后转换为整数。

类型约束

  • T1 in ( tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) )

    将输入 X 和输出 Y 类型约束为所有张量类型。

  • T2 in ( tensor(double), tensor(float), tensor(float16) )

    将网格类型约束为浮点张量。

GridSample - 16

版本

  • 名称: GridSample (GitHub)

  • 域: main

  • since_version: 16

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符已在 版本 16 中可用。

摘要

给定输入 X 和流场 grid，使用 X 值和 grid 中的像素位置计算输出 Y。目前，只支持空间 (4-D) 输入。对于形状为 (N, C, H, W) 的输入 X 和形状为 (N, H_out, W_out, 2) 的 grid，输出 Y 将具有形状 (N, C, H_out, W_out)。

张量 X 包含 H x W 二维图像中正方形像素中心的数值。张量 grid 描述了使用指定插值方法（模式）和填充模式（对于超出二维图像的网格位置）计算输出 Y 的归一化位置。

grid[N, H_out, W_out] 中的元素是大小为 2 的向量，指定了 X 的二维空间中的位置。它们用于插值 Y[N, C, H_out, W_out] 的输出值。

GridSample 运算符常用于在 空间变换网络 中执行网格生成器和采样器。另请参见 torch.nn.functional.grid_sample。

属性

  • align_corners - INT（默认值为 '0'）

    如果 align_corners=1，则极值（-1 和 1）被认为是指输入角像素的中心点。如果 align_corners=0，则它们被认为是指输入角像素的角点，使采样更加与分辨率无关。

  • mode - STRING (默认为 'bilinear')

    三种插值模式：双线性（默认）、最近邻和双三次。

  • padding_mode - STRING（默认值为 'zeros'）

    支持网格值外的填充模式：zeros（默认）、border、reflection。zeros：对于网格范围外的值，使用 0，border：对于网格范围外的值，使用边界值，reflection：对于网格范围外的值，使用边界反射的值。如果索引 0 代表边距像素，则索引 -1 处的反射值将与索引 1 处的值相同。对于远离边界的位 置，它将不断反射，直到变为边界内。如果像素位置 x = -3.5 通过边界 -1 反射并变为 x’ = 1.5，然后通过边界 1 反射并变为 x’’ = 0.5。

输入

  • X (异构) - T1

    形状为 (N, C, H, W) 的 4-D 张量，其中 N 是批次大小，C 是通道数，H 和 W 是输入数据的 高度和宽度。

  • grid (异构) - T2

    输入偏移，形状为 (N, H_out, W_out, 2) 的 4-D 张量，其中 H_out 和 W_out 是网格和输出的高度和宽度，网格指定了由输入空间维度归一化的采样像素位置。因此，它应该在 [-1, 1] 范围内具有大多数值。如果网格具有超出 [-1, 1] 范围的值，则相应的输出将根据 padding_mode 的定义进行处理。

输出

  • Y (异构) - T1

    形状为 (N, C, H_out, W_out) 的 4-D 张量，表示采样值的形状。对于整数输入类型，中间值将作为浮点数计算，并在最后转换为整数。

类型约束

  • T1 in ( tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) )

    将输入 X 和输出 Y 类型约束为所有张量类型。

  • T2 in ( tensor(double), tensor(float), tensor(float16) )

    将网格类型约束为浮点张量。