Resize

Resize - 19

版本

  • 名称: Resize (GitHub)

  • : main

  • since_version: 19

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符自 版本 19 起可用。

摘要

Resize 输入张量。通常,它将输出张量中的每个值计算为输入张量中邻域(也称为采样位置)的加权平均值。输出张量的每个维度值是

output_dimension = floor(input_dimension * (roi_end - roi_start) * scale)

如果未指定输入“sizes”。

属性

  • antialias - INT (默认为 '0')

    如果设置为 1,“linear”和“cubic”插值模式在缩小尺寸时将使用抗锯齿滤波器。抗锯齿是通过将重采样滤波器拉伸因子设置为 max(1, 1 / scale) 来实现的,这意味着在缩小尺寸时,更多的输入像素会贡献给一个输出像素。

  • axes - INTS :

    如果提供了,它指定了“roi”、“scales”和“sizes”所引用的轴的子集。如果未提供,则假定所有轴为 [0, 1, …, r-1],其中 r = rank(data)。未指定的维度被解释为不可调整大小。负值表示从后向前计数维度。可接受的范围是 [-r, r-1],其中 r = rank(data)。如果轴重复,行为未定义。

  • coordinate_transformation_mode - STRING (默认为 'half_pixel')

    此属性描述了如何将调整大小后的张量中的坐标转换为原始张量中的坐标。

    每个维度的坐标都单独转换。让我们以轴 x 为例进行描述。将调整大小后的张量中的轴 x 坐标表示为 x_resized,将原始张量中的轴 x 坐标表示为 x_original,将原始张量在轴 x 上的长度表示为 length_original,将调整大小后的张量在轴 x 上的长度表示为 length_resized,将比例因子表示为 scale = length_resized / length_original,将目标长度在轴 x 上的长度表示为 output_width,当它通过比例因子计算得出时,output_width 可以是小数,将有效输出宽度表示为整数 output_width_int

    如果 coordinate_transformation_mode 是 "half_pixel"

    x_original = (x_resized + 0.5) / scale - 0.5
    

    如果 coordinate_transformation_mode 是 "half_pixel_symmetric"

    adjustment = output_width_int / output_width
    center = input_width / 2
    offset = center * (1 - adjustment)
    x_ori = offset + (x + 0.5) / scale - 0.5
    

    如果 coordinate_transformation_mode 是 "pytorch_half_pixel"

    x_original = length_resized > 1 ? (x_resized + 0.5) / scale - 0.5 : 0
    

    如果 coordinate_transformation_mode 是 "align_corners"

    x_original = x_resized * (length_original - 1) / (length_resized - 1)
    

    如果 coordinate_transformation_mode 是 "asymmetric"

    x_original = x_resized / scale
    

    如果 coordinate_transformation_mode 是 "tf_crop_and_resize"

    x_original = length_resized > 1 ? start_x * (length_original - 1) + x_resized * (end_x - start_x) * (length_original - 1) / (length_resized - 1) : 0.5 * (start_x + end_x) * (length_original - 1)
    

    .

  • cubic_coeff_a - FLOAT (默认为 '-0.75')

    三次插值中使用的系数“a”。两个常见选择是 -0.5(某些 TensorFlow 情况)和 -0.75(PyTorch)。有关详细信息,请参阅 https://ieeexplore.ieee.org/document/1163711 中的公式 (4)。此属性仅在 mode 为“cubic”时有效。

  • exclude_outside - INT (默认为 '0')

    如果设置为 1,则张量外部的采样位置的权重将设置为 0,并且权重将被重新归一化,使其总和为 1.0。默认值为 0。

  • extrapolation_value - FLOAT (默认为 '0.0')

    当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时,此值将用作相应的输出值。默认为 0.0f。

  • keep_aspect_ratio_policy - STRING (默认为 'stretch')

    此属性描述了如何解释 sizes 输入,以保持输入的原始纵横比,并且在未使用 scales 输入时,该属性不适用。

    给定一组 sizes,这些 sizesaxes 的子集(显式提供或默认)相关联,并假设 d = axes[i],其中 i 是提供的 sizes 的索引。

    如果 keep_aspect_ratio_policy"stretch",则忽略原始纵横比,并将输入调整为指定的尺寸:out_size[d] = sizes[i]

    如果 keep_aspect_ratio_policy"not_larger",则调整尺寸,以使输出的任何尺寸都不大于指定的尺寸,同时保持原始纵横比。

    scale = Min(sizes[i] / in_size[d])
    out_size[d] = round_int(scale * in_size[d])
    

    如果 keep_aspect_ratio_policy"not_smaller",则调整尺寸,以使输出的任何尺寸都不小于指定的尺寸,同时保持原始纵横比。

    scale = Max(sizes[i] / in_size[d])
    out_size[d] = round_int(scale * in_size[d])
    

    对于不可调整大小的轴(在 axes 中未指定的轴),输出尺寸将等于输入尺寸。

    注意:round_int 表示计算最接近的整数值,将半数情况向上舍入。

  • mode - STRING (默认为 'nearest')

    三种插值模式:“nearest”(默认)、“linear”和“cubic”。“linear”模式包括一维张量的线性插值和 N 维张量的 N 线性插值(例如,二维张量的双线性插值)。“cubic”模式包括一维张量的三次插值和 N 维张量的 N 次三次插值(例如,二维张量的双三次插值)。

  • nearest_mode - STRING (默认为 'round_prefer_floor')

    四种模式:“round_prefer_floor”(默认,也称为四舍五入向下)、“round_prefer_ceil”(也称为四舍五入向上)、“floor”、“ceil”。仅由最近邻插值使用。它指示如何从 x_original 获取输入张量中的“最近邻”像素,因此此属性仅在“mode”为“nearest”时有效。

输入

介于 1 到 4 个输入之间。

  • X (异构) - T1

    N 维张量

  • roi (可选, 异构) - T2

    一维张量,表示为 [start1, …, startN, end1, …, endN],其中 N 是 X 的秩或 axes 的长度(如果已提供)。RoIs 的坐标在输入图像的坐标系中进行归一化。仅当 coordinate_transformation_mode 为“tf_crop_and_resize”时才生效。

  • scales (可选, 异构) - tensor(float)

    每个维度的比例数组。它的值大于 0。如果小于 1,则表示缩小采样,否则表示放大采样。‘scales’的元素数量应与输入‘X’的秩相同,或者如果提供了 axes,则与 ‘axes’ 的长度相同。必须指定 ‘scales’ 或 ‘sizes’ 中的一个,如果两者都指定则为错误。如果需要 ‘sizes’,用户可以在此运算符的输入列表中使用空字符串作为 ‘scales’ 的名称。

  • sizes (可选, 异构) - tensor(int64)

    输出张量的目标尺寸。其解释取决于‘keep_aspect_ratio_policy’的值。‘sizes’的元素数量应与输入‘X’的秩相同,或者如果提供了 axes,则与 ‘axes’ 的长度相同。只能指定 ‘scales’ 和 ‘sizes’ 中的一个。

输出

  • Y(异构)- T1

    调整大小后的 N 维张量

类型约束

  • T1 介于 ( 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) ) 之中

    将输入‘X’和输出‘Y’限制为所有张量类型。

  • T2 介于 ( tensor(double), tensor(float), tensor(float16) ) 之中

    将 roi 类型限制为浮点数或双精度数。

Resize - 18

版本

  • 名称: Resize (GitHub)

  • : main

  • 起始版本: 18

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符自版本 18 起可用

摘要

Resize 输入张量。通常,它将输出张量中的每个值计算为输入张量中邻域(也称为采样位置)的加权平均值。输出张量的每个维度值是
output_dimension = floor(input_dimension * (roi_end - roi_start) * scale)
如果未指定输入“sizes”。

属性

  • antialias - INT (默认为 '0')

    如果设置为 1,“linear”和“cubic”插值模式在缩小尺寸时将使用抗锯齿滤波器。抗锯齿是通过将重采样滤波器拉伸因子设置为 max(1, 1 / scale) 来实现的,这意味着在缩小尺寸时,更多的输入像素会贡献给一个输出像素。

  • axes - INTS :

    如果提供了,它指定了“roi”、“scales”和“sizes”所引用的轴的子集。如果未提供,则假定所有轴为 [0, 1, …, r-1],其中 r = rank(data)。未指定的维度被解释为不可调整大小。负值表示从后向前计数维度。可接受的范围是 [-r, r-1],其中 r = rank(data)。如果轴重复,行为未定义。

  • coordinate_transformation_mode - STRING (默认为 'half_pixel')

    此属性描述了如何将调整大小后的张量中的坐标转换为原始张量中的坐标。

    每个维度的坐标都单独转换。让我们以轴 x 为例进行描述。将调整大小后的张量中的轴 x 坐标表示为 x_resized,将原始张量中的轴 x 坐标表示为 x_original,将原始张量在轴 x 上的长度表示为 length_original,将调整大小后的张量在轴 x 上的长度表示为 length_resized,将输入“roi”中轴 x 的 roi_x = (start_x, end_x) 表示为 roi_x,将比例因子表示为 scale = length_resized / length_original

    如果 coordinate_transformation_mode 是 "half_pixel"
    x_original = (x_resized + 0.5) / scale - 0.5

    如果 coordinate_transformation_mode 是 "pytorch_half_pixel"
    x_original = length_resized > 1 ? (x_resized + 0.5) / scale - 0.5 : 0

    如果 coordinate_transformation_mode 是 "align_corners"
    x_original = x_resized * (length_original - 1) / (length_resized - 1)

    如果 coordinate_transformation_mode 是 "asymmetric"
    x_original = x_resized / scale

    如果 coordinate_transformation_mode 是 "tf_crop_and_resize"
    x_original = length_resized > 1 ? start_x * (length_original - 1) + x_resized * (end_x - start_x) * (length_original - 1) / (length_resized - 1) : 0.5 * (start_x + end_x) * (length_original - 1) .

  • cubic_coeff_a - FLOAT (默认为 '-0.75')

    三次插值中使用的系数“a”。两个常见选择是 -0.5(某些 TensorFlow 情况)和 -0.75(PyTorch)。有关详细信息,请参阅 https://ieeexplore.ieee.org/document/1163711 中的公式 (4)。此属性仅在 mode 为“cubic”时有效。

  • exclude_outside - INT (默认为 '0')

    如果设置为 1,则张量外部的采样位置的权重将设置为 0,并且权重将被重新归一化,使其总和为 1.0。默认值为 0。

  • extrapolation_value - FLOAT (默认为 '0.0')

    当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时,此值将用作相应的输出值。默认为 0.0f。

  • keep_aspect_ratio_policy - STRING (默认为 'stretch')

    此属性描述了如何解释 sizes 输入,以保持输入的原始纵横比,并且在未使用 scales 输入时,该属性不适用。

    给定一组 sizes,这些 sizesaxes 的子集(显式提供或默认)相关联,并假设 d = axes[i],其中 i 是提供的 sizes 的索引。

    如果 keep_aspect_ratio_policy"stretch",则忽略原始纵横比,并将输入调整为指定的尺寸。
    out_size[d] = sizes[i]

    如果 keep_aspect_ratio_policy"not_larger",则调整尺寸,以使输出的任何尺寸都不大于指定的尺寸,同时保持原始纵横比。
    scale = Min(sizes[i] / in_size[d])
    out_size[d] = round_int(scale * in_size[d])

    如果 keep_aspect_ratio_policy"not_smaller",则调整尺寸,以使输出的任何尺寸都不小于指定的尺寸,同时保持原始纵横比。
    scale = Max(sizes[i] / in_size[d])
    out_size[d] = round_int(scale * in_size[d])

    对于不可调整大小的轴(在 axes 中未指定的轴),输出尺寸将等于输入尺寸。

    注意:round_int 表示计算最接近的整数值,将半数情况向上舍入。

  • mode - STRING (默认为 'nearest')

    三种插值模式:“nearest”(默认)、“linear”和“cubic”。“linear”模式包括一维张量的线性插值和 N 维张量的 N 线性插值(例如,二维张量的双线性插值)。“cubic”模式包括一维张量的三次插值和 N 维张量的 N 次三次插值(例如,二维张量的双三次插值)。

  • nearest_mode - STRING (默认为 'round_prefer_floor')

    四种模式:“round_prefer_floor”(默认,也称为四舍五入向下)、“round_prefer_ceil”(也称为四舍五入向上)、“floor”、“ceil”。仅由最近邻插值使用。它指示如何从 x_original 获取输入张量中的“最近邻”像素,因此此属性仅在“mode”为“nearest”时有效。

输入

介于 1 到 4 个输入之间。

  • X (异构) - T1

    N 维张量

  • roi (可选, 异构) - T2

    一维张量,表示为 [start1, …, startN, end1, …, endN],其中 N 是 X 的秩或 axes 的长度(如果已提供)。RoIs 的坐标在输入图像的坐标系中进行归一化。仅当 coordinate_transformation_mode 为“tf_crop_and_resize”时才生效。

  • scales (可选, 异构) - tensor(float)

    每个维度的比例数组。它的值大于 0。如果小于 1,则表示缩小采样,否则表示放大采样。‘scales’的元素数量应与输入‘X’的秩相同,或者如果提供了 axes,则与 ‘axes’ 的长度相同。必须指定 ‘scales’ 或 ‘sizes’ 中的一个,如果两者都指定则为错误。如果需要 ‘sizes’,用户可以在此运算符的输入列表中使用空字符串作为 ‘scales’ 的名称。

  • sizes (可选, 异构) - tensor(int64)

    输出张量的目标尺寸。其解释取决于‘keep_aspect_ratio_policy’的值。‘sizes’的元素数量应与输入‘X’的秩相同,或者如果提供了 axes,则与 ‘axes’ 的长度相同。只能指定 ‘scales’ 和 ‘sizes’ 中的一个。

输出

  • Y(异构)- T1

    调整大小后的 N 维张量

类型约束

  • T1 介于 ( 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) ) 之中

    将输入‘X’和输出‘Y’限制为所有张量类型。

  • T2 介于 ( tensor(double), tensor(float), tensor(float16) ) 之中

    将 roi 类型限制为浮点数或双精度数。

Resize - 13

版本

  • 名称: Resize (GitHub)

  • : main

  • 起始版本: 13

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 13 起可用。

摘要

Resize 输入张量。通常,它将输出张量中的每个值计算为输入张量中邻域(也称为采样位置)的加权平均值。输出张量的每个维度值是:如果未指定输入“sizes”,则 output_dimension = floor(input_dimension * (roi_end - roi_start) * scale)。

属性

  • coordinate_transformation_mode - STRING (默认为 'half_pixel')

    此属性描述了如何将调整大小后的张量中的坐标转换为原始张量中的坐标。

    每个维度的坐标都单独转换。让我们以轴 x 为例进行描述。将调整大小后的张量中的轴 x 坐标表示为 x_resized,将原始张量中的轴 x 坐标表示为 x_original,将原始张量在轴 x 上的长度表示为 length_original,将调整大小后的张量在轴 x 上的长度表示为 length_resized,将输入“roi”中轴 x 的 roi_x = (start_x, end_x) 表示为 roi_x,将比例因子表示为 scale = length_resized / length_original,

    如果 coordinate_transformation_mode 是“half_pixel”,
    x_original = (x_resized + 0.5) / scale - 0.5,

    如果 coordinate_transformation_mode 是“pytorch_half_pixel”,
    x_original = length_resized > 1 ? (x_resized + 0.5) / scale - 0.5 : 0,

    如果 coordinate_transformation_mode 是“align_corners”,
    x_original = x_resized * (length_original - 1) / (length_resized - 1),

    如果 coordinate_transformation_mode 是“asymmetric”,
    x_original = x_resized / scale,

    如果 coordinate_transformation_mode 是“tf_crop_and_resize”,
    x_original = length_resized > 1 ? start_x * (length_original - 1) + x_resized * (end_x - start_x) * (length_original - 1) / (length_resized - 1) : 0.5 * (start_x + end_x) * (length_original - 1)。

  • cubic_coeff_a - FLOAT (默认为 '-0.75')

    三次插值中使用的系数“a”。两个常见选择是 -0.5(某些 TensorFlow 情况)和 -0.75(PyTorch)。有关详细信息,请参阅 https://ieeexplore.ieee.org/document/1163711 中的公式 (4)。此属性仅在“mode”为“cubic”时有效。

  • exclude_outside - INT (默认为 '0')

    如果设置为 1,则张量外部的采样位置的权重将设置为 0,并且权重将被重新归一化,使其总和为 1.0。默认值为 0。

  • extrapolation_value - FLOAT (默认为 '0.0')

    当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时,此值将用作相应的输出值。默认为 0.0f。

  • mode - STRING (默认为 'nearest')

    三种插值模式:nearest(默认)、linear 和 cubic。“linear”模式包括一维张量的线性插值和 N 维张量的 N 线性插值(例如,二维张量的双线性插值)。“cubic”模式包括一维张量的三次插值和 N 维张量的 N 次三次插值(例如,二维张量的双三次插值)。

  • nearest_mode - STRING (默认为 'round_prefer_floor')

    四种模式:round_prefer_floor(默认,也称为四舍五入向下)、round_prefer_ceil(也称为四舍五入向上)、floor、ceil。仅由最近邻插值使用。它指示如何从 x_original 获取输入张量中的“最近邻”像素,因此此属性仅在“mode”为“nearest”时有效。

输入

介于 1 到 4 个输入之间。

  • X (异构) - T1

    N 维张量

  • roi (可选, 异构) - T2

    一维张量,表示为 [start1, …, startN, end1, …, endN],其中 N 是 X 的秩。RoIs 的坐标在输入图像的坐标系中进行归一化。仅当 coordinate_transformation_mode 为“tf_crop_and_resize”时才生效。

  • scales (可选, 异构) - tensor(float)

    每个维度的比例数组。它的值大于 0。如果小于 1,则表示缩小采样,否则表示放大采样。‘scales’的元素数量应与输入‘X’的秩相同。必须指定 ‘scales’ 或 ‘sizes’ 中的一个,如果两者都指定则为错误。如果需要 ‘sizes’,用户可以在此运算符的输入列表中使用空字符串作为 ‘scales’ 的名称。

  • sizes (可选, 异构) - tensor(int64)

    输出张量的尺寸。‘sizes’的元素数量应与输入‘X’的秩相同。只能指定 ‘scales’ 和 ‘sizes’ 中的一个。

输出

  • Y(异构)- T1

    调整大小后的 N 维张量

类型约束

  • T1 介于 ( 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) ) 之中

    将输入‘X’和输出‘Y’限制为所有张量类型。

  • T2 介于 ( tensor(double), tensor(float), tensor(float16) ) 之中

    将 roi 类型限制为浮点数或双精度数。

Resize - 11

版本

  • 名称: Resize (GitHub)

  • : main

  • 起始版本: 11

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 11 起可用。

摘要

Resize 输入张量。通常,它将输出张量中的每个值计算为输入张量中邻域(也称为采样位置)的加权平均值。输出张量的每个维度值是:如果未指定输入“sizes”,则 output_dimension = floor(input_dimension * (roi_end - roi_start) * scale)。

属性

  • coordinate_transformation_mode - STRING (默认为 'half_pixel')

    此属性描述了如何将调整大小后的张量中的坐标转换为原始张量中的坐标。

    每个维度的坐标都单独转换。让我们以轴 x 为例进行描述。将调整大小后的张量中的轴 x 坐标表示为 x_resized,将原始张量中的轴 x 坐标表示为 x_original,将原始张量在轴 x 上的长度表示为 length_original,将调整大小后的张量在轴 x 上的长度表示为 length_resized,将输入“roi”中轴 x 的 roi_x = (start_x, end_x) 表示为 roi_x,将比例因子表示为 scale = length_resized / length_original,

    如果 coordinate_transformation_mode 是“half_pixel”,
    x_original = (x_resized + 0.5) / scale - 0.5,

    如果 coordinate_transformation_mode 是“pytorch_half_pixel”,
    x_original = length_resized > 1 ? (x_resized + 0.5) / scale - 0.5 : 0,

    如果 coordinate_transformation_mode 是“align_corners”,
    x_original = x_resized * (length_original - 1) / (length_resized - 1),

    如果 coordinate_transformation_mode 是“asymmetric”,
    x_original = x_resized / scale,

    如果 coordinate_transformation_mode 是“tf_half_pixel_for_nn”,
    x_original = (x_resized + 0.5) / scale,

    如果 coordinate_transformation_mode 是“tf_crop_and_resize”,
    x_original = length_resized > 1 ? start_x * (length_original - 1) + x_resized * (end_x - start_x) * (length_original - 1) / (length_resized - 1) : 0.5 * (start_x + end_x) * (length_original - 1)。

  • cubic_coeff_a - FLOAT (默认为 '-0.75')

    三次插值中使用的系数“a”。两个常见选择是 -0.5(某些 TensorFlow 情况)和 -0.75(PyTorch)。有关详细信息,请参阅 https://ieeexplore.ieee.org/document/1163711 中的公式 (4)。此属性仅在“mode”为“cubic”时有效。

  • exclude_outside - INT (默认为 '0')

    如果设置为 1,则张量外部的采样位置的权重将设置为 0,并且权重将被重新归一化,使其总和为 1.0。默认值为 0。

  • extrapolation_value - FLOAT (默认为 '0.0')

    当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时,此值将用作相应的输出值。默认为 0.0f。

  • mode - STRING (默认为 'nearest')

    三种插值模式:nearest(默认)、linear 和 cubic。“linear”模式包括一维张量的线性插值和 N 维张量的 N 线性插值(例如,二维张量的双线性插值)。“cubic”模式包括一维张量的三次插值和 N 维张量的 N 次三次插值(例如,二维张量的双三次插值)。

  • nearest_mode - STRING (默认为 'round_prefer_floor')

    四种模式:round_prefer_floor(默认,也称为四舍五入向下)、round_prefer_ceil(也称为四舍五入向上)、floor、ceil。仅由最近邻插值使用。它指示如何从 x_original 获取输入张量中的“最近邻”像素,因此此属性仅在“mode”为“nearest”时有效。

输入

介于 3 到 4 个输入之间。

  • X (异构) - T1

    N 维张量

  • roi (异构) - T2

    一维张量,表示为 [start1, …, startN, end1, …, endN],其中 N 是 X 的秩。RoIs 的坐标在输入图像的坐标系中进行归一化。仅当 coordinate_transformation_mode 为“tf_crop_and_resize”时才生效。

  • scales (异构) - tensor(float)

    每个维度的比例数组。它的值大于 0。如果小于 1,则表示缩小采样,否则表示放大采样。‘scales’的元素数量应与输入‘X’的秩相同。如果需要‘size’,用户必须将‘scales’设置为空张量。

  • sizes (可选, 异构) - tensor(int64)

    输出张量的尺寸。‘sizes’的元素数量应与输入‘X’的秩相同。只有当‘scales’被设置为空张量时才能设置。

输出

  • Y(异构)- T1

    调整大小后的 N 维张量

类型约束

  • T1 介于 ( 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) ) 之中

    将输入‘X’和输出‘Y’限制为所有张量类型。

  • T2 介于 ( tensor(double), tensor(float), tensor(float16) ) 之中

    将 roi 类型限制为浮点数或双精度数。

Resize - 10

版本

  • 名称: Resize (GitHub)

  • : main

  • since_version: 10

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符已在 版本 10 中提供。

摘要

Resize 输入张量。输出张量的每个维度值是:output_dimension = floor(input_dimension * scale)。

属性

  • mode - STRING (默认为 'nearest')

    两种插值模式:nearest(默认)和 linear(包括 bilinear、trilinear 等)。

输入

  • X (异构) - T

    N 维张量

  • scales (异构) - tensor(float)

    每个维度的比例数组。它的值大于 0。如果小于 1,则表示缩小采样,否则表示放大采样。‘scales’的元素数量应与输入‘X’的秩相同。

输出

  • Y (异构) - T

    调整大小后的 N 维张量

类型约束

  • T 介于 ( 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) ) 之中

    将输入‘X’和输出‘Y’限制为所有张量类型。