调整大小¶

调整大小 - 19¶

版本¶

名称: 调整大小 (GitHub)
域: main
自版本: 19
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 19起可用。

摘要¶

调整输入张量的尺寸。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“尺寸”。

属性¶

抗锯齿 - INT（默认值为 '0'）

如果设置为 1，则“线性”和“三次”插值模式将在缩小比例时使用抗锯齿滤波器。抗锯齿是通过将重采样滤波器拉伸 max(1, 1 / scale) 倍来实现的，这意味着在缩小比例时，更多的输入像素会影响输出像素。
轴 - INTS :

如果提供，它指定“roi”、“比例”和“尺寸”引用的轴子集。如果没有提供，则假定所有轴都为 [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的维度。负值表示从后面计算维度。接受的范围为 [-r, r-1]，其中 r = rank(data)。如果轴重复，则行为未定义。
坐标变换模式 - STRING（默认值为 'half_pixel'）

此属性描述如何将调整大小的张量中的坐标转换为原始张量中的坐标。

每个维度的坐标分别变换。让我们以轴 x 为例描述一个案例。将 x_resized 表示为调整大小的张量中轴 x 的坐标，x_original 表示为原始张量中轴 x 的坐标，length_original 表示为原始张量中轴 x 的长度，length_resized 表示为调整大小的张量中轴 x 的长度，scale = length_resized / length_original，output_width 表示为轴 x 上的目标长度，它可以在根据比例因子计算时为小数，output_width_int 表示为有效的输出宽度，为整数。

如果 coordinate_transformation_mode 为 "half_pixel"，
```
x_original = (x_resized + 0.5) / scale - 0.5
```
如果 coordinate_transformation_mode 为 "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 为 "pytorch_half_pixel"，
```
x_original = length_resized > 1 ? (x_resized + 0.5) / scale - 0.5 : 0
```
如果 coordinate_transformation_mode 为 "align_corners"，
```
x_original = x_resized * (length_original - 1) / (length_resized - 1)
```
如果 coordinate_transformation_mode 为 "asymmetric"，
```
x_original = x_resized / scale
```
如果 coordinate_transformation_mode 为 "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)
```
.
三次系数 a - FLOAT（默认值为 '-0.75'）

三次插值中使用的系数“a”。两种常见的选择是 -0.5（在某些 TensorFlow 的情况下）和 -0.75（在 PyTorch 中）。有关详细信息，请查看 https://ieeexplore.ieee.org/document/1163711 中的公式 (4)。此属性仅在模式为“三次”时有效。
排除外部 - INT（默认值为 '0'）

如果设置为 1，则张量外部采样位置的权重将设置为 0，并将重新归一化权重，使其总和为 1.0。默认值为 0。
外推值 - FLOAT（默认值为 '0.0'）

当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时，此值用作相应的输出值。默认为 0.0f。
保持纵横比策略 - STRING（默认值为 'stretch'）

此属性描述如何解释 sizes 输入，以保持输入的原始纵横比，并且在使用 scales 输入时不适用。

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

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

如果 keep_aspect_ratio_policy 是 "not_larger"，则调整大小，以使输出的任何范围都不大于指定大小，同时保持原始纵横比
```
scale = Min(sizes[i] / in_size[d])
out_size[d] = round_int(scale * in_size[i])
```
如果 keep_aspect_ratio_policy 是 "not_smaller"，则调整大小，以使输出的任何范围都不小于指定大小，同时保持原始纵横比
```
scale = Max(sizes[i] / in_size[d])
out_size[d] = round_int(scale * in_size[i])
```
对于不可调整大小的轴（在 axes 中未指定的轴），输出大小将等于输入大小。

注意：round_int 表示计算最接近的整数，向上舍入半数情况。
mode - 字符串（默认值为 'nearest'）

三种插值模式：“nearest”（默认）、“linear” 和 “cubic”。“linear” 模式包括 1D 张量的线性插值和 N-D 张量的 N-线性插值（例如，2D 张量的双线性插值）。“cubic” 模式包括 1D 张量的三次插值和 N-D 张量的 N-三次插值（例如，2D 张量的双三次插值）。
nearest_mode - 字符串（默认值为 'round_prefer_floor'）

四种模式：“round_prefer_floor”（默认，也称为舍入一半向下）、“round_prefer_ceil”（也称为舍入一半向上）、“floor”、“ceil”。仅用于最邻近插值。它指示如何从 x_original 中获取输入张量中的“最邻近”像素，因此此属性仅在“mode” 为“nearest” 时有效。

输入¶

1 到 4 个输入。

X（异构） - T1

N-D 张量
roi（可选，异构） - T2

1-D 张量，给出为 [start1, …, startN, end1, …, endN]，其中 N 是 X 的秩或 axes 的长度（如果提供）。RoI 的坐标在输入图像的坐标系中被归一化。它仅在 coordinate_transformation_mode 为 “tf_crop_and_resize” 时生效
scales（可选，异构） - tensor(float)

每个维度的缩放比例数组。它取值大于 0。如果它小于 1，则进行降采样，否则进行上采样。‘scales’ 的元素数量应与输入 ‘X’ 的秩相同，或与 ‘axes’ 的长度相同（如果提供）。必须指定 ‘scales’ 或 ‘sizes’ 中的一个，如果两者都指定，则会报错。如果需要 ‘sizes’，则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)

输出张量的目标大小。它的解释取决于 ‘keep_aspect_ratio_policy’ 的值。‘sizes’ 的元素数量应与输入 ‘X’ 的秩相同，或与 ‘axes’ 的长度相同（如果提供）。只能指定 ‘scales’ 或 ‘sizes’ 中的一个。

输出¶

Y（异构） - T1

调整大小后的 N-D 张量

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’ 约束为所有张量类型。
T2 in ( tensor(double), tensor(float), tensor(float16) )

将 roi 类型约束为 float 或 double。

Resize - 18 vs 19

Resize - 18¶

版本¶

名称: 调整大小 (GitHub)
域: main
since_version: 18
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 18 中提供。

摘要¶

调整输入张量的尺寸。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“尺寸”。

属性¶

抗锯齿 - INT（默认值为 '0'）

如果设置为 1，则“线性”和“三次”插值模式将在缩小比例时使用抗锯齿滤波器。抗锯齿是通过将重采样滤波器拉伸 max(1, 1 / scale) 倍来实现的，这意味着在缩小比例时，更多的输入像素会影响输出像素。
轴 - INTS :

如果提供，它指定“roi”、“比例”和“尺寸”引用的轴子集。如果没有提供，则假定所有轴都为 [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的维度。负值表示从后面计算维度。接受的范围为 [-r, r-1]，其中 r = rank(data)。如果轴重复，则行为未定义。
坐标变换模式 - STRING（默认值为 'half_pixel'）

此属性描述如何将调整大小的张量中的坐标转换为原始张量中的坐标。

每个维度的坐标是单独转换的。让我们以轴 x 为例进行描述。将 x_resized 表示为调整大小后的张量中轴 x 的坐标，x_original 表示原始张量中轴 x 的坐标，length_original 表示原始张量中轴 x 的长度，length_resized 表示调整大小后的张量中轴 x 的长度，roi_x = (start_x, end_x) 表示输入 “roi” 中轴 x 的范围，scale = length_resized / length_original，

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

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

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

如果 coordinate_transformation_mode 为 "asymmetric"，
x_original = x_resized / scale

如果 coordinate_transformation_mode 为 "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) .
三次系数 a - FLOAT（默认值为 '-0.75'）

三次插值中使用的系数“a”。两种常见的选择是 -0.5（在某些 TensorFlow 的情况下）和 -0.75（在 PyTorch 中）。有关详细信息，请查看 https://ieeexplore.ieee.org/document/1163711 中的公式 (4)。此属性仅在模式为“三次”时有效。
排除外部 - INT（默认值为 '0'）

如果设置为 1，则张量外部采样位置的权重将设置为 0，并将重新归一化权重，使其总和为 1.0。默认值为 0。
外推值 - FLOAT（默认值为 '0.0'）

当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时，此值用作相应的输出值。默认为 0.0f。
保持纵横比策略 - STRING（默认值为 'stretch'）

此属性描述如何解释 sizes 输入，以保持输入的原始纵横比，并且在使用 scales 输入时不适用。

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

如果 keep_aspect_ratio_policy 是 "stretch"，则忽略原始纵横比，并将输入调整为指定大小
out_size[d] = sizes[i]

如果 keep_aspect_ratio_policy 是 "not_larger"，则调整大小，以使输出的任何范围都不大于指定大小，同时保持原始纵横比
scale = Min(sizes[i] / in_size[d])
out_size[d] = round_int(scale * in_size[i])

如果 keep_aspect_ratio_policy 是 "not_smaller"，则调整大小，以使输出的任何范围都不小于指定大小，同时保持原始纵横比
scale = Max(sizes[i] / in_size[d])
out_size[d] = round_int(scale * in_size[i])

对于不可调整大小的轴（在 axes 中未指定的轴），输出大小将等于输入大小。

注意：round_int 表示计算最接近的整数，向上舍入半数情况。
mode - 字符串（默认值为 'nearest'）

三种插值模式：“nearest”（默认）、“linear” 和 “cubic”。“linear” 模式包括 1D 张量的线性插值和 N-D 张量的 N-线性插值（例如，2D 张量的双线性插值）。“cubic” 模式包括 1D 张量的三次插值和 N-D 张量的 N-三次插值（例如，2D 张量的双三次插值）。
nearest_mode - 字符串（默认值为 'round_prefer_floor'）

四种模式：“round_prefer_floor”（默认，也称为舍入一半向下）、“round_prefer_ceil”（也称为舍入一半向上）、“floor”、“ceil”。仅用于最邻近插值。它指示如何从 x_original 中获取输入张量中的“最邻近”像素，因此此属性仅在“mode” 为“nearest” 时有效。

输入¶

1 到 4 个输入。

X（异构） - T1

N-D 张量
roi（可选，异构） - T2

1-D 张量，给出为 [start1, …, startN, end1, …, endN]，其中 N 是 X 的秩或 axes 的长度（如果提供）。RoI 的坐标在输入图像的坐标系中被归一化。它仅在 coordinate_transformation_mode 为 “tf_crop_and_resize” 时生效
scales（可选，异构） - tensor(float)

每个维度的缩放比例数组。它取值大于 0。如果它小于 1，则进行降采样，否则进行上采样。‘scales’ 的元素数量应与输入 ‘X’ 的秩相同，或与 ‘axes’ 的长度相同（如果提供）。必须指定 ‘scales’ 或 ‘sizes’ 中的一个，如果两者都指定，则会报错。如果需要 ‘sizes’，则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)

输出张量的目标大小。它的解释取决于 ‘keep_aspect_ratio_policy’ 的值。‘sizes’ 的元素数量应与输入 ‘X’ 的秩相同，或与 ‘axes’ 的长度相同（如果提供）。只能指定 ‘scales’ 或 ‘sizes’ 中的一个。

输出¶

Y（异构） - T1

调整大小后的 N-D 张量

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’ 约束为所有张量类型。
T2 in ( tensor(double), tensor(float), tensor(float16) )

将 roi 类型约束为 float 或 double。

Resize - 13¶

版本¶

名称: 调整大小 (GitHub)
域: main
since_version: 13
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 13 中提供。

摘要¶

调整输入张量的大小。一般来说，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。输出张量中每个维度的值是：output_dimension = floor(input_dimension * (roi_end - roi_start) * scale)，如果输入 “sizes” 未指定。

属性¶

坐标变换模式 - STRING（默认值为 'half_pixel'）

此属性描述如何将调整大小的张量中的坐标转换为原始张量中的坐标。

每个维度的坐标是单独转换的。让我们以轴 x 为例进行描述。将 x_resized 表示为调整大小后的张量中轴 x 的坐标，x_original 表示原始张量中轴 x 的坐标，length_original 表示原始张量中轴 x 的长度，length_resized 表示调整大小后的张量中轴 x 的长度，roi_x = (start_x, end_x) 表示输入 “roi” 中轴 x 的范围，scale = length_resized / length_original，

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

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

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

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

如果 coordinate_transformation_mode 为 “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).
三次系数 a - FLOAT（默认值为 '-0.75'）

三次插值中使用的系数 ‘a’。两种常见的选择是 -0.5（在 TensorFlow 的某些情况下）和 -0.75（在 PyTorch 中）。查看 https://ieeexplore.ieee.org/document/1163711 中的等式 (4) 以了解详细信息。此属性仅在 “mode” 为 “cubic” 时有效。
排除外部 - INT（默认值为 '0'）

如果设置为 1，则张量外部采样位置的权重将设置为 0，并将重新归一化权重，使其总和为 1.0。默认值为 0。
外推值 - FLOAT（默认值为 '0.0'）

当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时，此值用作相应的输出值。默认为 0.0f。
mode - 字符串（默认值为 'nearest'）

三种插值模式：nearest（默认）、linear 和 cubic。“linear” 模式包括 1D 张量的线性插值和 N-D 张量的 N-线性插值（例如，2D 张量的双线性插值）。“cubic” 模式包括 1D 张量的三次插值和 N-D 张量的 N-三次插值（例如，2D 张量的双三次插值）。
nearest_mode - 字符串（默认值为 'round_prefer_floor'）

四种模式：round_prefer_floor（默认，也称为舍入一半向下）、round_prefer_ceil（也称为舍入一半向上）、floor、ceil。仅用于最邻近插值。它指示如何从 x_original 中获取输入张量中的“最邻近”像素，因此此属性仅在 “mode” 为 “nearest” 时有效。

输入¶

1 到 4 个输入。

X（异构） - T1

N-D 张量
roi（可选，异构） - T2

1-D 张量，给出为 [start1, …, startN, end1, …, endN]，其中 N 是 X 的秩。RoI 的坐标在输入图像的坐标系中被归一化。它仅在 coordinate_transformation_mode 为 “tf_crop_and_resize” 时生效
scales（可选，异构） - tensor(float)

每个维度的缩放比例数组。它取值大于 0。如果它小于 1，则进行降采样，否则进行上采样。‘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，则会报错。如果需要 ‘sizes’，则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' 或 'sizes' 中的一个。

输出¶

Y（异构） - T1

调整大小后的 N-D 张量

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’ 约束为所有张量类型。
T2 in ( tensor(double), tensor(float), tensor(float16) )

将 roi 类型约束为 float 或 double。

Resize - 11¶

版本¶

名称: 调整大小 (GitHub)
域: main
since_version: 11
函数: False
支持级别: SupportType.COMMON
形状推断: True

该运算符的版本已从版本 11 开始可用。

摘要¶

属性¶

坐标变换模式 - STRING（默认值为 'half_pixel'）

此属性描述如何将调整大小的张量中的坐标转换为原始张量中的坐标。

每个维度的坐标是单独转换的。让我们以轴 x 为例进行描述。将 x_resized 表示为调整大小后的张量中轴 x 的坐标，x_original 表示原始张量中轴 x 的坐标，length_original 表示原始张量中轴 x 的长度，length_resized 表示调整大小后的张量中轴 x 的长度，roi_x = (start_x, end_x) 表示输入 “roi” 中轴 x 的范围，scale = length_resized / length_original，

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

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

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

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

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

如果 coordinate_transformation_mode 为 “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).
三次系数 a - FLOAT（默认值为 '-0.75'）

三次插值中使用的系数 ‘a’。两种常见的选择是 -0.5（在 TensorFlow 的某些情况下）和 -0.75（在 PyTorch 中）。查看 https://ieeexplore.ieee.org/document/1163711 中的等式 (4) 以了解详细信息。此属性仅在 “mode” 为 “cubic” 时有效。
排除外部 - INT（默认值为 '0'）

如果设置为 1，则张量外部采样位置的权重将设置为 0，并将重新归一化权重，使其总和为 1.0。默认值为 0。
外推值 - FLOAT（默认值为 '0.0'）

当 coordinate_transformation_mode 为“tf_crop_and_resize”且 x_original 超出范围 [0, length_original - 1] 时，此值用作相应的输出值。默认为 0.0f。
mode - 字符串（默认值为 'nearest'）

三种插值模式：nearest（默认）、linear 和 cubic。“linear” 模式包括 1D 张量的线性插值和 N-D 张量的 N-线性插值（例如，2D 张量的双线性插值）。“cubic” 模式包括 1D 张量的三次插值和 N-D 张量的 N-三次插值（例如，2D 张量的双三次插值）。
nearest_mode - 字符串（默认值为 'round_prefer_floor'）

四种模式：round_prefer_floor（默认，也称为舍入一半向下）、round_prefer_ceil（也称为舍入一半向上）、floor、ceil。仅用于最邻近插值。它指示如何从 x_original 中获取输入张量中的“最邻近”像素，因此此属性仅在 “mode” 为 “nearest” 时有效。

输入¶

3 到 4 个输入。

X（异构） - T1

N-D 张量
roi (异构) - T2

1-D 张量，给出为 [start1, …, startN, end1, …, endN]，其中 N 是 X 的秩。RoI 的坐标在输入图像的坐标系中被归一化。它仅在 coordinate_transformation_mode 为 “tf_crop_and_resize” 时生效
scales (异构) - tensor(float)

每个维度上的缩放数组。它取大于 0 的值。如果它小于 1，则进行下采样，否则进行上采样。'scales' 的元素数量应与输入 'X' 的秩相同。如果需要 'size'，则用户必须将 '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。仅当 'scales' 设置为空张量时才可设置。

输出¶

Y（异构） - T1

调整大小后的 N-D 张量

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’ 约束为所有张量类型。
T2 in ( tensor(double), tensor(float), tensor(float16) )

将 roi 类型约束为 float 或 double。

Resize - 10¶

版本¶

名称: 调整大小 (GitHub)
域: main
since_version: 10
函数: False
支持级别: SupportType.COMMON
形状推断: True

该运算符的版本已从版本 10 开始可用。

摘要¶

调整输入张量的尺寸。输出张量的每个维度值都是：output_dimension = floor(input_dimension * scale)。

属性¶

mode - 字符串（默认值为 'nearest'）

两种插值模式：nearest（默认）和 linear（包括双线性、三线性等）

输入¶

X (异构) - T

N-D 张量
scales (异构) - tensor(float)

每个维度上的缩放数组。它取大于 0 的值。如果它小于 1，则进行下采样，否则进行上采样。'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-D 张量

类型约束¶

T 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’ 约束为所有张量类型。