GridSample

GridSample - 22

版本

  • 名称: GridSample (GitHub)

  • : main

  • 起始版本: 22

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 22 起可用。

摘要

给定输入 X 和流场 grid,使用 X 的值和来自 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 Xgrid 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) 的体素输入 Xgrid 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,对于形状为 (N, C, d1, d2, …, dr) 的 r+2 阶输入 Xgrid 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 包含正方形像素(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, :) 值是用于从输出张量 Y 的 (n, c, d1_out, d2_out, …, dr_out) 位置插值的归一化位置,使用指定的插值方法(模式)和填充模式(对于落在二维图像之外的 grid 位置)。

例如,grid[n, h_out, w_out, :] 中的值是大小为 2 的向量,指定了 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 空间变换网络 中的网格生成器和采样器。另请参阅 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)被视为指代输入角像素(体素等)的中心点。如果 align_corners=0,则它们被视为指代输入角像素(体素等)的角点,使采样更具有分辨率无关性。

  • mode - STRING (默认值为 'linear')

    三种插值模式:linear(默认)、nearest 和 cubic。“linear”模式包括线性插值和 N 线性插值模式,具体取决于输入张量的空间维度数量(即,1 个空间维度为线性,2 个空间维度为双线性等)。“cubic”模式也包括遵循相同规则的 N 立方插值模式。“nearest”模式在采样点介于两个索引之间时,四舍五入到最近的偶数索引。

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

    支持用于网格外部值的填充模式:zeros(默认)、borderreflection。zeros:对超出边界的网格位置使用 0,border:对超出边界的网格位置使用边界值,reflection:对超出边界的网格位置使用由边界反射的位置的值。如果索引 0 代表边缘像素,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,它将继续被反射直到进入边界。如果像素位置 x = -3.5 经边界 -1 反射变为 x' = 1.5,然后经边界 1 反射变为 x'' = 0.5。

输入

  • X (异构) - T1

    r+2 阶输入张量,形状为 (N, C, D1, D2, …, Dr),其中 N 是批大小,C 是通道数,D1, D2, …, Dr 是空间维度。

  • grid (异构) - T2

    形状为 (N, D1_out, D2_out, …, Dr_out, r) 的输入偏移量,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。网格指定了按输入空间维度归一化的采样位置。因此,它的大多数值应在 [-1, 1] 范围内。如果网格的值超出 [-1, 1] 范围,则相应的输出将按照 padding_mode 定义的方式处理。遵循计算机视觉约定,长度为 r 的位置向量中的坐标从最内层张量维度到最外层列出,与常规张量索引相反。

输出

  • Y(异构)- T1

    r+2 阶输出张量,形状为 (N, C, D1_out, D2_out, …, Dr_out),包含采样值。对于整数输入类型,中间值以浮点数计算,并在最后转换为整数。

类型约束

  • T1 在 ( 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) )

    限制输入 X 和输出 Y 类型为所有张量类型。

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

    限制网格类型为浮点张量。

GridSample - 20

版本

  • 名称: GridSample (GitHub)

  • : main

  • 始于版本: 20

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符自版本 20起可用。

摘要

给定输入 X 和流场 grid,使用 X 的值和来自 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 Xgrid 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) 的体素输入 Xgrid 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,对于形状为 (N, C, d1, d2, …, dr) 的 r+2 阶输入 Xgrid 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 包含正方形像素(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, :) 值是用于从输出张量 Y 的 (n, c, d1_out, d2_out, …, dr_out) 位置插值的归一化位置,使用指定的插值方法(模式)和填充模式(对于落在二维图像之外的 grid 位置)。

例如,grid[n, h_out, w_out, :] 中的值是大小为 2 的向量,指定了 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 空间变换网络 中的网格生成器和采样器。另请参阅 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)被视为指代输入角像素(体素等)的中心点。如果 align_corners=0,则它们被视为指代输入角像素(体素等)的角点,使采样更具有分辨率无关性。

  • mode - STRING (默认值为 'linear')

    三种插值模式:linear(默认)、nearest 和 cubic。“linear”模式包括线性插值和 N 线性插值模式,具体取决于输入张量的空间维度数量(即,1 个空间维度为线性,2 个空间维度为双线性等)。“cubic”模式也包括遵循相同规则的 N 立方插值模式。“nearest”模式在采样点介于两个索引之间时,四舍五入到最近的偶数索引。

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

    支持用于网格外部值的填充模式:zeros(默认)、borderreflection。zeros:对超出边界的网格位置使用 0,border:对超出边界的网格位置使用边界值,reflection:对超出边界的网格位置使用由边界反射的位置的值。如果索引 0 代表边缘像素,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,它将继续被反射直到进入边界。如果像素位置 x = -3.5 经边界 -1 反射变为 x' = 1.5,然后经边界 1 反射变为 x'' = 0.5。

输入

  • X (异构) - T1

    r+2 阶输入张量,形状为 (N, C, D1, D2, …, Dr),其中 N 是批大小,C 是通道数,D1, D2, …, Dr 是空间维度。

  • grid (异构) - T2

    形状为 (N, D1_out, D2_out, …, Dr_out, r) 的输入偏移量,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。网格指定了按输入空间维度归一化的采样位置。因此,它的大多数值应在 [-1, 1] 范围内。如果网格的值超出 [-1, 1] 范围,则相应的输出将按照 padding_mode 定义的方式处理。遵循计算机视觉约定,长度为 r 的位置向量中的坐标从最内层张量维度到最外层列出,与常规张量索引相反。

输出

  • Y(异构)- T1

    r+2 阶输出张量,形状为 (N, C, D1_out, D2_out, …, Dr_out),包含采样值。对于整数输入类型,中间值以浮点数计算,并在最后转换为整数。

类型约束

  • T1 在 ( 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) )

    限制输入 X 和输出 Y 类型为所有张量类型。

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

    限制网格类型为浮点张量。

GridSample - 16

版本

  • 名称: GridSample (GitHub)

  • : main

  • since_version: 16

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 16 起可用。

摘要

给定输入 X 和流场 grid,使用 X 的值和来自 grid 的像素位置计算输出 Y。目前,仅支持空间 (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 的形状将为 (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值。张量 grid 描述了要计算输出 Y 的归一化位置,使用指定的插值方法(模式)和填充模式(对于落在二维图像之外的网格位置)。

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 运算符通常用于 空间变换网络 中的网格生成器和采样器。另请参阅 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)被视为指代输入角像素的中心点。如果 align_corners=0,则它们被视为指代输入角像素的角点,使采样更具有分辨率无关性。

  • mode - STRING (默认值为 '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')

    支持用于网格外部值的填充模式:zeros(默认)、borderreflection。zeros:对超出边界的网格位置使用 0,border:对超出边界的网格位置使用边界值,reflection:对超出边界的网格位置使用由边界反射的位置的值。如果索引 0 代表边缘像素,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,它将继续被反射直到进入边界。如果像素位置 x = -3.5 经边界 -1 反射变为 x' = 1.5,然后经边界 1 反射变为 x'' = 0.5。

输入

  • X (异构) - T1

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

  • grid (异构) - T2

    输入偏移量,4-D 张量,形状为 (N, H_out, W_out, 2),其中 H_out 和 W_out 是网格和输出的高度和宽度。网格指定了按输入空间维度归一化的采样像素位置。因此,它的大多数值应在 [-1, 1] 范围内。如果网格的值超出 [-1, 1] 范围,则相应的输出将按照 padding_mode 定义的方式处理。

输出

  • Y(异构)- T1

    4-D 张量,形状为 (N, C, H_out, W_out),包含采样值。对于整数输入类型,中间值以浮点数计算,并在最后转换为整数。

类型约束

  • T1 在 ( 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) )

    限制输入 X 和输出 Y 类型为所有张量类型。

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

    限制网格类型为浮点张量。