grid_sample

paddle.nn.functional.grid_sample(x, grid, mode=’bilinear’, padding_mode=’zeros’, align_corners=True, name=None):

该OP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, 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]。

step 1：

得到(x, y)网格坐标，缩放到[0,h -1/W-1]

  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。

  1.   wn ------- y_n ------- en
  2.   |           |           |
  3.   |          d_n          |
  4.   |           |           |
  5.  x_w --d_w-- grid--d_e-- x_e
  6.   |           |           |
  7.   |          d_s          |
  8.   |           |           |
  9.   ws ------- y_s ------- wn
  11. x_w = floor(x)              // west side x coord
  12. x_e = x_w + 1               // east side x coord
  13. y_n = floor(y)              // north side y coord
  14. y_s = y_s + 1               // south side y coord
  15. d_w = grid_x - x_w          // distance to west side
  16. d_e = x_e - grid_x          // distance to east side
  17. d_n = grid_y - y_n          // distance to north side
  18. d_s = y_s - grid_y          // distance to south side
  19. wn = X[:, :, y_n, x_w]      // north-west point value
  20. en = X[:, :, y_n, x_e]      // north-east point value
  21. ws = X[:, :, y_s, x_w]      // south-east point value
  22. es = X[:, :, y_s, x_w]      // north-east point value
  25. output = wn * d_e * d_s + en * d_w * d_s
  26.        + ws * d_e * d_n + es * d_w * d_n

参数：

  • x (Tensor): 输入张量，维度为

    grid_sample - 图1

    的4-D Tensor，N为批尺寸，C是通道数，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

    grid_sample - 图2

    的4-D Tensor，N为批尺寸，H是特征高度，W是特征宽度, 数据类型为float32或float64。

  • mode (str, optional): 插值方式，可以为 ‘bilinear’ 或者 ‘nearest’. 默认值：’bilinear’。

  • padding_mode (str, optional) 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：’zeros’。

  • align_corners (bool, optional): 一个可选的bool型参数，如果为True，则将输入和输出张量的4个角落像素的中心对齐，并保留角点像素的值。 默认值：True。

  • name (str，可选) – 具体用法请参见 Name ，一般无需设置。默认值：None。

返回： 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][N,C,H,W] 的4-D Tensor

返回类型：变量(Tensor)，数据类型与 x 一致

代码示例：

  1. import paddle
  2. import paddle.nn.functional as F
  3. import numpy as np
  5. # shape=[1, 1, 3, 3]
  6. x = np.array([[[[-0.6,  0.8, -0.5],
  7.                 [-0.5,  0.2,  1.2],
  8.                 [ 1.4,  0.3, -0.2]]]]).astype("float64")
  10. # grid shape = [1, 3, 4, 2]
  11. grid = np.array(
  12.               [[[[ 0.2,  0.3],
  13.                 [-0.4, -0.3],
  14.                 [-0.9,  0.3],
  15.                 [-0.9, -0.6]],
  16.                 [[ 0.4,  0.1],
  17.                 [ 0.9, -0.8],
  18.                 [ 0.4,  0.5],
  19.                 [ 0.5, -0.2]],
  20.                 [[ 0.1, -0.8],
  21.                 [-0.3, -1. ],
  22.                 [ 0.7,  0.4],
  23.                 [ 0.2,  0.8]]]]).astype("float64")
  26. x = paddle.to_tensor(x)
  27. grid = paddle.to_tensor(grid)
  28. y_t = F.grid_sample(
  29.     x,
  30.     grid,
  31.     mode='bilinear',
  32.     padding_mode='border',
  33.     align_corners=True)
  34. print(y_t)
  36. # output shape = [1, 1, 3, 4]
  37. # [[[[ 0.34   0.016  0.086 -0.448]
  38. #    [ 0.55  -0.076  0.35   0.59 ]
  39. #    [ 0.596  0.38   0.52   0.24 ]]]]